如果您刚开始接触人工智能或数据科学，那么很有可能一遍又一遍地碰到这四个术语。如果您从未完全理解这四个术语的含义，那么本文适合您。在本文中，您将发现它们的基本含义，并了解它们之间的区别。我将尽一切努力使事情变得简单，并且当您继续阅读本文时，您将发现这些术语的真正含义。事不宜迟，让我们开始第一个。
人工智能
与人类或动物中发现的自然智能相比，人工智能或人工智能是指在机器中创造智能行为。实现人工智能有两种主要方法，一种是使用经典编程，在其中您可以对所有编程逻辑进行编码，第二种是使用机器学习。当前，机器学习是最成功的方法，或者更具体地说，可以使用深度学习来实现此目标，正如我们将在本文中进一步看到的那样。首先让我们看看什么是机器学习。
机器学习
机器学习(ml)是人工智能的一部分。这意味着，只要您编写机器学习代码，您也是编码人工智能。机器学习基本上是程序计算机的不同方式，尤其是与传统编程相比。这就是为什么机器学习有时被称为“软件2.0”。
通常，如果您正在编写软件，则可以定义所有规则和所有编程逻辑，并且可以通过多种方式对计算机进行显式编程。但是，在机器学习中，您并没有明确地对计算机进行编程。相反，您要做的是创建一个机器学习模型，并使用适当的数据和目标来训练该模型。在训练机器学习模型时，您的模型将学习近似所需的结果。基本上，在机器学习中，您是在编写软件，而不是对计算机进行显式编程。
机器学习中的大多数编程都是由您提供的数据执行的。相同的机器学习模型(取决于所训练的数据)可以学会识别皮肤癌，也可以学会区分猫和狗。
首次创建机器学习模型时，首先要进行几乎是随机的预测，并且每次训练模型时，它都会学习到对其预测的错误要少一些，直到达到最佳性能为止。尽管它始于随机预测，但在许多情况下，机器学习模型可以实现超人水平的性能。从根本上讲，这意味着它们在执行给定的特定任务方面可以等同于或优于人类。
当前，最成功的机器学习方法称为深度学习。
深度学习
深度学习(DL)是利用深度神经网络的机器学习的子集。
顺便说一下，如果您不知道什么是神经网络，就不必为了掌握机器学习与深度学习之间的区别而全面了解所有内容。如果您有兴趣了解有关神经网络的更多信息，我将在它们上发表更全面的文章。这些文章的目的是使诸如人工智能和机器学习之类的看似复杂的话题一次变得易于理解。
在进一步介绍之前，让我们快速看一下神经网络是什么。关于神经网络，您应该了解的一件事是它们是在称为神经网络层的层中创建的。第一层称为输入层，最后一层称为输出层。中间的层称为隐藏层。如果神经网络的总层数超过三层，则称为深度神经网络。因此，如果您的神经网络只有两层，那么您实际上是在进行机器学习。但是，当您拥有3层或更多层时，您还将在机器学习之上执行深度学习。
神经网络的基本方面之一是满足所谓的通用近似定理。这基本上意味着，只要有足够的大小和体系结构，您就可以始终使用神经网络近似任何函数。这意味着，您无需创建具有所有规则和编程逻辑的软件，而是创建了一个神经网络，该神经网络可以从提供的数据中学习以执行分配的任务。例如，您可以给猫和狗的神经网络图像，然后让神经网络对图像进行分类。当您这样做时，网络将在图像像素和结果分类之间创建映射。最初，网络将从随机猜测开始，但是随着训练更多数据，它将最终学会根据猫和狗的像素值来区分它们。
顺便说一下，机器学习还可以使用神经网络以外的方法。但是，由于性能优越，大多数(如果不是全部)都已被深度学习模型取代。甚至与机器学习相比，深度学习也删除了越来越多的软件人工编写部分。这是因为，即使您熟悉机器学习，即使在机器学习中，人们仍然需要做出一些重大决策，例如功能选择。
数据科学
数据科学本质上是关于使用统计方法和机器学习方法来理解数据。如果您是一名数据科学家，则可能不会想到新的神经网络体系结构，但是您可以使用它们来分析所拥有的数据，以提取有意义的见解。当然，执行此分析还需要领域知识，以确保您不仅在计算随机统计信息，而且还从实际数据中实际提取有意义且可操作的见解。
结论
如您所见，所有这四个都是相互连接的，但是具有使它们与众不同的独特功能。从AI到ML到DL的道路更像是创建人工智能最成功方法的演变。另一方面，数据科学是在现实生活中使用或实现它们的一种方法，主要用于分析目的。
我希望本文有助于阐明这些术语之间的主要区别。如果您对某些部分感到困惑，请随时在评论部分中询问。我会尽快给您答复。如果您的问题需要更深入的解释，我可以在另一篇文章中进行解释。
原文链接：
https://medium.com/swlh/artificial-intelligence-vs-machine-learning-vs-deep-learning-vs-data-science-5d01381554fd
