人工智能（AI），机器学习（ML）和深度学习（DL）已经是当下商业世界中很受关注的技术，但这三个术语并不是指代相同的事务，它们大体的逻辑可以用以下这张图来表述：

其中机器学习作为一种可以实现人工智能的方法，而深度学习作为一种可以实现机器学习的技术。以上的同心圆描述了三者间的关系

人工智能（Artificial Intelligence）

人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。

这是一个很古老的概念，早期可追溯到1950年代，以下是人工智能下具体的研究分支

机器学习（Machine Learning）

机器学习就是用算法解析数据，不断学习，构建出可以用来解决业务问题的模型，然后对世界发生的事做出判断和预测的一项技术，机器学习的算法分为三大类：

监督学习

监督学习中，数据已经被标记，这种方法可以根据过去的数据来预测未来的结果。其常见技术包括

• 线性回归
• 逻辑回归
• 支持向量机
• 朴素贝叶斯
• 决策树

无监督学习

无监督学习使用的是未标记的数据，他会自行从数据中发现模式。其常见技术包括：

• k均值聚类
• 层次聚类
• 异常检测

强化学习

是机器学习的范式和方法论之一，智能体通过环境学习，在奖励策略以及相关约束下向环境做出反应以达成回报，从而实现特定目标的问题，ChatGPT用的就是这种强化学习

深度学习（Deep Learning）

深度学习是一个比较新的概念，严格来讲是2006年提出的。其是一种受人脑结构和功能启发的算法，它可以处理结构化和非结构化的数据，其核心概念在于人工神经网络。

首先计算输入的加权和，然后得出的权重总和作为输入传递给激活函数，激活函数将输入的加权和作为输入，并加入一个偏差，从而确定神经元是否应该被激发，接着输出层给出预测的输出，模型输出与实际输出进行比较，训练好神经网络后，模型使用反向传播的方法来提升网络的性能，有助于降低错误率。

机器学习和深度学习的区别主要在于数据，机器学习通常需要结构化数据，而深度学习需要多层神经网络，