人工智慧（Artificial Intelligence）
人工智慧是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門技術科學。
人工智慧專注於圖像識別，語音識別和自然語言處理。
人工智慧研究的各個分支，包括專家系統、機器學習、進化計算、模糊邏輯、計算機視覺、自然語言處理、推薦系統等。
通常將人工智慧分為弱人工智慧和強人工智慧，前者讓機器具備觀察和感知的能力，可以做到一定程度的理解和推理，而強人工智慧讓機器獲得自適應能力，解決一些之前沒有遇到過的問題。目前現階段都是弱人工智慧。
機器學習：一種實現人工智慧的方法
機器學習就是用算法解析數據，不斷學習，對世界中發生的事做出判斷和預測的一項技術。
機器學習發展歷程，2000-2006年的流形學習、2006年-2011年的稀疏學習、2012年至今的深度學習。
常用的10大機器學習算法有：決策樹、隨機森林、邏輯回歸、SVM、樸素貝葉斯、K最近鄰算法、K均值算法、Adaboost算法、神經網絡、馬爾科夫。
從學習方法上來分，機器學習算法可以分為監督學習（如分類問題）、無監督學習（如聚類問題）、半監督學習、集成學習、深度學習和強化學習。
傳統的機器學習算法在指紋識別、基於Haar的人臉檢測、基於HoG特徵的物體檢測等領域的應用基本達到了商業化的要求或者特定場景的商業化水平。
深度學習：一種實現機器學習的技術深度學習是用於建立、模擬人腦進行分析學習的神經網絡，並模仿人腦的機制來解釋數據的一種機器學習技術。
深度學習是利用深度神經網絡來解決特徵表達的一種學習過程。深度神經網絡大致理解為包含多個隱含層的神經網絡結構。
深度學習本來並不是一種獨立的學習方法，其本身會用到有監督和無監督的學習方法來訓練深度神經網絡。但由於近幾年該領域發展迅猛，一些特有的學習手段相繼被提出（如殘差網絡），因此越來越多的人將其單獨看作一種學習的方法。
「深度學習」是與機器學習中的「神經網絡」是強相關，「神經網絡」也是其主要的算法和手段；或者我們可以將「深度學習」稱之為「改良版的神經網絡」算法。深度學習又分為卷積神經網絡（Convolutional neural networks，簡稱CNN）和深度置信網（Deep Belief Nets，簡稱DBN）。
Google的TensorFlow是開源深度學習系統一個比較好的實現，支持CNN、RNN和LSTM算法，是目前在圖像識別、自然語言處理方面最流行的深度神經網絡模型。
傳統機器學習通過簡單數學模型解決簡單問題，那麼深度學習就是通過複雜模型和海量參數來解決複雜的問題。
傳統機器學習是自己總結特徵，而深度學習則是自己發現特徵，更少的依賴人為經驗，更多的依賴數據。
當數據量非常龐大時，深度學習能更好地利用數據進行學習，提高人工智慧系統的性能參數。
深度學習需要大量的數據進行輔助，因此需要高性能的GPU進行計算，對於硬體的依賴性更強。
深度學習能夠藉助神經網絡進行對象的特徵識別，將被識別的對象進行層層分解，涉及到非常多的「Hidden Layer」，這在圖像識別等領域具有非常重要的作用。
簡單的神經網絡有 100 甚至 1000 個神經元，以一種相對簡單的方式連接，無法複製人腦的功能。人類大腦有大約860億個神經元和非常複雜的連接方式。
三者的區別和聯繫
機器學習是一種實現人工智慧的方法，深度學習是一種實現機器學習的技術。
感謝您關注巨視安防！！
感知 物聯 智慧