人工智能与机器学习与深度学习
弄清诸如人工智能，机器学习和深度学习之类的包罗万象的术语之间的混淆。
机器学习和人工智能（AI）如今风行一时-但随着所有流行语在它们周围盘旋，很容易迷失方向，而看不到炒作与现实之间的区别。例如，仅因为使用算法来计算信息并不意味着应使用标签“机器学习”或“人工智能”。   
在定义AI或机器学习之前，我想退后一步，定义一个概念，该概念是AI和机器学习的核心：算法。
什么是算法？
算法是解决问题时要遵循的一组规则。在机器学习中，算法吸收数据并执行计算以找到答案。计算可以非常简单，也可以更复杂。算法应以最有效的方式提供正确的答案。如果分析数据所需的时间比人类花费的时间长，那么该算法有什么好处？如果提供错误的信息有什么好处？
需要对算法进行培训，以学习如何对信息进行分类和处理。算法的效率和准确性取决于算法的训练程度。使用算法来计算某些东西并不自动意味着机器学习或正在使用AI。所有正方形都是矩形，但并非所有矩形都是正方形。
不幸的是，今天，我们经常看到机器学习和AI流行语泛滥成灾，以表明使用了一种算法来分析数据并做出预测。使用算法来预测事件的结果不是机器学习。使用您的预测结果来改进未来的预测。
人工智能与机器学习与深度学习
人工智能和机器学习经常互换使用，特别是在大数据领域。但是这些不是一回事，了解这些如何不同地应用很重要。  
人工智能是比机器学习更广泛的概念，它涉及使用计算机模拟人类的认知功能。当机器以“智能”方式基于算法执行任务时，即为AI。机器学习是AI的一个子集，它着重于机器接收一组数据并自己学习的能力，随着他们对正在处理的信息的了解越来越多，算法也会不断变化。
通过使用神经网络，可以部分地训练计算机像人类一样思考。神经网络是一系列模仿人类大脑的算法。正如大脑可以识别模式并帮助我们对信息进行分类和分类一样，神经网络对计算机也是如此。大脑不断地试图弄清正在处理的信息，并为此进行标记并将项目分配给类别。当我们遇到新事物时，我们尝试将其与已知项目进行比较，以帮助我们理解和理解它。神经网络对计算机也是如此。
神经网络的好处：
从复杂数据中提取含义
检测趋势并识别出人类难以察觉的复杂模式
通过例子学习
速度优势
深度学习更进一步，可以被认为是机器学习的一个子集。深度学习的概念有时仅称为“深度神经网络”，指的是涉及的许多层次。一个神经网络可能只有一个数据层，而一个深度神经网络却只有两个或更多层。这些层可以看作是相关概念或决策树的嵌套层次结构。一个问题的答案导致了一系列更深层次的相关问题。
深度学习网络需要查看大量项目才能进行训练。该系统无需使用定义项的边进行编程，而是可以通过接触数百万个数据点来学习。早期的例子是Google Brain在显示超过一千万张图像后学习识别猫。深度学习网络无需使用定义项目的标准进行编程；他们能够通过暴露于大量数据来识别边缘。
数据是至关重要的问题
无论您使用的是算法，人工智能还是机器学习，都可以肯定一件事：如果所使用的数据有缺陷，那么洞察力和提取的信息就会有缺陷。什么是数据清理？
“从记录集，表或数据库中检测和纠正（或删除）损坏或不准确的记录的过程，是指识别数据的不完整，不正确或不相关的部分，然后替换，修改或删除脏数据或粗数据。 ”
而且根据CrowdFlower数据科学报告，数据科学家花费大量时间清理数据-令人惊讶的是，这也是他们最不喜欢的工作部分。尽管如此，它还是最重要的部分，因为如果未清除数据，则无法信任输出。
为了使AI和机器学习继续发展，驱动算法和决策的数据必须是高质量的。如果不能信任数据，那么如何信任来自数据的见解？
题库