人工智能、机器学习、深度学习、神经网络，都有什么区别
人工智能（AI） 、机器学习（ML）、深度学习（DL）、神经网络（CNN）
人工智能、机器学习、神经网络和深度学习有何关联？
或许思考人工智能、机器学习、神经网络和深度学习的最简单方法就是将它们想象成俄罗斯套娃。 每个本质上都是前项的组成部分。
也就是说，机器学习是人工智能的一个子领域。 深度学习是机器学习的一个子领域，神经网络构成了深度学习算法的支柱。 事实上，区分单个神经网络与深度学习算法的，是神经网络的节点层数或深度，深度学习算法必须超过三层。
什么是神经网络？
神经网络——更具体地说，人工神经网络 (ANN)——通过一组算法模拟人脑。 在基本层面上，神经网络由四个主要部分组成：输入、权重、偏差或阈值以及输出。 与线性回归类似，代数公式如下所示：
如果任何单个节点的输出高于指定的阈值，则激活该节点，将数据发送到网络的下一层。否则，不会将任何数据传递到网络的下一层。现在想象一下上述过程对单个决策重复多次，因为神经网络往往具有多个“隐藏”层作为深度学习算法的一部分。每个隐藏层都有自己的激活函数，可能会将信息从前一层传递到下一层。一旦生成了隐藏层的所有输出，它们就会被用作输入来计算神经网络的最终输出。大多数现实世界的应用示例都是非线性的，而且要复杂得多。
机器学习：KNN，决策树和SVM进行分类
回归和神经网络之间的主要区别在于变化对单个权重的影响。在回归中，开发者可以更改权重而不影响函数中的其他输入。
然而，神经网络并非如此。由于一层的输出传递到网络的下一层，因此单个更改可能会对网络中的其他神经元产生级联效应。
深度学习与神经网络有何不同？
深度学习中的“深度”是指神经网络中层的深度。由三层以上（包括输入和输出）组成的神经网络可以被视为深度学习算法。 这通常使用下图表示：
大多数深度神经网络都是前馈的，这意味着它们仅从输入到输出在一个方向上流动。但是，开发者们也可以通过反向传播来训练模型；也就是说，从输出到输入以相反的方向移动。 反向传播允许我们计算和归因与每个神经元相关的误差，允许我们适当地调整和拟合算法。
