AI，ML，NN和DL有什么区别？

Question

以下四类之间有什么区别：

1. 人工智能(AI)
2. 机器学习(ML)
3. 神经网络
4. 深度学习(DL)
5. 数据科学

我目前的理解是，每一种算法都封装了一些算法。我觉得，在ML、NN和DL中，机器学习(ML)是最大的集合，它包含NN，而后者又包含DL。见下图。数据科学是所有五项中最大的一组。这是正确的吗？人工智能在这个数字上会是什么样子？

Answer 1

机器学习是在模型结构与优化模型参数相结合的基础上，对模型结构与数据拟合的方法进行研究并输出最终模型的领域。statistics和ML是交叉字段，有些方法属于这两个字段，而有些方法只属于ML，有些方法只属于统计信息。

神经网络是这类机器学习方法的集合，其中一个子集是深度学习神经网络(DLNN)。

深度学习方法是一组使用多层建模单元的机器学习方法。深入学习的研究大多集中在DLNN领域，但并不是排他性的，例如概率电路通常不被认为是NN (虽然乍一看它们看起来很相似)，而且它们可以是深度分层的。具有等级性质的方法通常不被认为是“深”的，这就引出了“深”一词的含义。一个例子可能是分层聚类方法，其中存在许多非常不同的方法--因为(可能)每种聚类方法都可以很容易地分层。

人工智能(AI)是很难定义的，如果一个人不想使用它作为一个时髦的词，如“追求人类智力”。一个问题是定义什么是智力。据我所知，如果一个人将AI定义为比ML更广泛，那么一个人最终得到的定义与“计算机科学”基本相同，而另一个则是我对ML的定义(见上文)。我们不能错误地将一个常规算法命名为极小极大算法或基于规则的系统为深蓝色，并称其为AI。否则，任何算法都将是人工智能，这将是荒谬的。https://blog.piekniewski.info/2020/06/08/ai-the-no-bullshit-approach/可能会回答专家系统是如何AI而不是ML的，而不仅仅是一个基于规则的系统，但我还没有读懂它。

数据科学在工业中被用作一个流行词，并且--除了“应用数据科学”--在研究中避免使用。主要的问题是，工业中的许多数据“科学”根本就不是科学。然而，我相信有机会把“数据科学”看作是一个时髦的词，而是一种实际的科学。事实上，我现在正在研究一种方法。我现在有机会在大学教授“数据科学作为一门科学”。然而，我注意到我的定义还没有达到我想要的那样的质量。不过，情况正在好转。为了给你一个想法，我写了一篇评论给另一篇文章：

没有详细讨论我的方法/定义，我对数据科学的定义的结果是，你可以说它是“数学认识论”--不是实际的应用，而是方法。然后，数据分析将应用数据科学原理。你可以说数据科学之于数据分析，就像物理学之于机械工程一样。这样，一家公司就会雇佣一位数据科学家/物理学家来从事一个工程项目。来自https://academia.stackexchange.com/questions/158586/scientific-data-science-conferences-and-journals#comment423975_158587

在这条论点中，“沟通技巧”并不是数据科学的一部分，就像它们不是医学的一部分一样，即使医生应该是一个很好的沟通者才能有效。

因此，ML是NN和DL的超集，它们是相交的。AI (基于我目前对这个主题的研究)与ML是一样的。Data使用来自ML的方法，但也使用其他方法，例如来自非ML统计的方法。

Answer 2

• 一个超级笼统的术语，意味着所有的东西.同时也没什么。这一切都是关于建造智能机器，尽管它的含义还没有得到充分发展。它根本没有严格的使用方式。事实上，科学家更喜欢使用更多的技术术语，比如你列出的其他术语。
• ML:这是一种数据处理方法，所有这些都是建立模型的基础，这些模型可以根据经验自动改进。
• DL:深度学习，它是ML的子集，利用深层神经网络。所以从技术上讲，它仍然是机器学习，目前是它最先进和最有前途的分支。
• NN: DL中使用的一般模型类。DL是神经网络的应用领域。

就我个人而言，我不太喜欢你发布的Venn图表。DL是NN的子集.对我毫无意思。

Answer 3

人工智能

用机器实现人类水平的智能是一种普遍的想法。这更多的是对人类的追求，也就是一次持续的旅程。

追溯到1950年，艾伦·图灵设计了图灵测试的想法。

机器学习

这是一种使用数据自动生成程序(模型)的方法。

这种方法不同于传统的编程方法。

\hspace{2cm}

深度学习

使用深度神经网络的最新进展使我们能够分析非常大和复杂的数据，例如图像/文本。

在文恩图上-

AI > ML > DL但神经网络应与深度学习交替使用

数据科学

“数据科学”将不属于上述分类。

上面的分类更多的是关于人工智能的演变，但是要描述数据科学，我们应该关注从捕获到报告的数据流。建模只是这个过程中的一个步骤。

数据科学是一个跨学科的领域，专注于从数据集中提取知识，数据集通常很大(参见大数据)。6这个领域包括分析、为分析准备数据和提供结果来为组织的高层决策提供信息。因此，它结合了计算机科学、数学、统计、信息可视化、图形设计、复杂系统、通信和商业维基百科等方面的技能。