随着近几年人工神经网络模型的突破，让人工智能开始走出实验室，迈向商业。
随着商业，资本，政策，媒体等开始密集的关注这一领域，一时间，各种新词如人工智能，机器学习，深度学习，无监督学习，神经网络模型等各种概念一起向普通大众涌来，很多人往往会留下这样的印象，这个领域怎么这么多概念，这些概念之间是什么关系，这些未解的问题让大众很难对人工智能有一个清晰的认知，本文则尝试从基本概念认知的角度，建立起对人工智能的基本认知框架。
AI历史
以时间维度来看AI发展
AI历史
受制于时代的发展环境和计算机硬件基础，AI的发展一直是在波折中发展，经历了几次高潮和低谷：
- 1950-1966：主要以非智能的对话机器人为主的第一波浪潮
- 1974-1980：主要以各研究机构的经费被停带来第一波低谷
- 1980-2000：主要以机器学习为代表的第二波浪潮
- 2000-2010：主要以AI硬件的需求下跌进而失去财力支持为标志的第二波低谷
- 2012-至今：主要以深度学习与大数据为主的第三波浪潮。
与前两拨浪潮主要有学术研究主导，第三波浪潮的主要由具体的商业需求主导，或者说前两次更多的是学术界提出要解决的问题，第三次则更多是在解决问题。因而能够得到政策和商业方面强大的财力支持。看来不管什么需要发展，都要优先解决了财力问题。
以领域视角来看AI发展
三者之间关系
一开始人工智能是为了实现能够像人一样具有智慧机器，但是受制于各种条件和环境约束，人工智能发展出了很多可能的实现路径，如图所示人工智能，机器学习与深度学习的关系，也可以从发展的角度认为是实现智能机器的一条发展路径。
机器学习是实现人工智能的一种可行方式之一，深度学习是机器学习的方法之一，是基于机器学习中传统人工神经网络模型发展而来。
AI是用来干啥的
OK，AI的发展关键还是要能够解决商业任务，那么从任务的角度，机器学习又可以划分为以下方面：
- 分类算法-是什么？即根据一个样本预测出它所属的类别。
- 回归算法-是多少？即根据一个样本预测出一个数量值。
- 聚类算法-怎么分？保证同一个类的样本相似，不同类的样本之间尽量不同。
- 强化学习-怎么做？即根据当前的状态决定执行什么动作，最后得到最大的回报。
深度学习主要的算法有：卷积神经网络（CNN），循环神经网络（RNN），生成对抗网络(GANs)，深度强化学习（RL），图神经网络（GNN）。
工程角度
学术视角
机器学习与深度学习在学习方法上的区别
两者都需要对数据进行预处理，包括数据清洗，数据标签，归一化，去噪，降维。核心在于深度学习的特征提取并不依靠人工，而是机器自动提取的。这也是为什么大家都说深度学习的可解释性很差，因为有时候深度学习虽然能有好的表现，但是我们并不知道他的原理是什么。
工业视角
机器学习工业操作流程
机器学习的库有：SciKit-learn
深度学习的库有：Torch，Theano, Tensorflow，Karas，PaddlePaddle
应用
数据挖掘（相当于机器学习与大数据结合应用），图像识别，自然语言处理（文本挖掘），推荐系统，语音系统。
参考：
人工智能 – Artificial intelligence
人工智能史Wiki
机器学习Baike
机器学习Wiki
机器学习 – machine learning
机器学习中常见4种学习方法、13种算法和27张速查表
机器学习发展历史回顾
机器学习的发展历史以及算法演进
网友评论