标签：-o ural 神经元 深度 标准 出现 问题 数据 驱动力
具有感知、学习、推理和解决问题等认知功能的机器被认为拥有人工智能。
当机器具有认知能力时，人工智能就产生了。人类在相关领域的能力是人工智能的衡量标准。
人工智能(AI)出现在20世纪中期，当时科学家们试图设计智能机器。
机器学习是在20世纪后期发展起来的，是人工智能的一种方法，机器学习技术让科学家可以训练人工智能机器。
机器学习领域中有一类算法，模拟人类大脑中的神经网络工作模式，称为人工神经网络。本世纪初，多层神经网络的突破进展，导致了深度学习的出现。
机器学习是人工智能的一种方法，是人工智能的子集。
机器学习系统通过从输入和输出数据中提取模式来学习。
机器学习(ML)基于样本数据学习，程序从有标记的数据(监督学习)、无标记的数据(无监督学习)或两者的组合(半监督学习)中学习。
人工神经网络，模拟人类大脑中的神经网络工作模式，是机器学习领域中的一种算法。
人工神经网络由许多简单的处理单元(神经元)互联组成。这些神经元被分成了很多层，层与层之间的神经元有连接，而层内之间的神经元没有连接。最左边的层叫做输入层，这层负责接收输入数据；最右边的层叫输出层，我们可以从这层获取神经网络输出数据。输入层和输出层之间的层叫做隐藏层。
本世纪初，多层神经网络的突破进展，导致了深度学习的出现。
隐藏层比较多（大于2）的神经网络叫做深度神经网络。而深度学习，就是使用深层架构（比如，深度神经网络）的机器学习方法。
相比浅层网络，深度网络的性能更好，但也更难训练，需要更多数据。
机器学习是人工智能的一个子集，深度学习是机器学习的一个子集。
自20世纪50年代以来，人工智能的发展经历了几次低潮和高潮，近几年来，人工智能又一次迎来发展高潮，背后有强大的驱动力：
标签：-o ural 神经元 深度 标准 出现 问题 数据 驱动力
原文地址：https://www.cnblogs.com/huanghanyu/p/13183079.html
