1.1 关键技术：深度学习、机器学习、人工智能

谈到人工智能的时候，有两个概念常常被提及，那就是机器学习（Machine Learning）和深度学习（Deep Learning）。机器学习和深度学习是包含关系，深度学习是帮助人工智能在现阶段发展的关键技术。

机器学习是实现人工智能最基本的方法，是从过往的数据或经验中学习的算法，不依赖于硬件代码和事先定义的规则。传统的计算机程序为解决特定任务而编码，而机器学习使用大量的数据进行训练，可以通过算法从数据中学习如何完成任务。

机器学习主要应用于早期的人工智能领域。传统算法包括决策树学习、推导逻辑规划、聚类、强化学习和贝叶斯网络等。在机器学习发展的早期，受限于计算机计算能力、样本量等因素，算法的局限性大，智能化程度低，无法实际应用。

深度学习是机器学习的一个子集，它的发展是现在人工智能发展的驱动力量之一。深度学习使用的人工神经网络学习算法也是机器学习算法中的一种，只是之前人们对它的关注度不高。深度学习的核心是特征学习，旨在通过分层网络获取分层次的特征信息，从而解决以往需要人工设计特征的重要难题。

杰弗里·辛顿（Geoffrey Hinton）和他的学生鲁斯兰·萨拉赫·胡迪诺夫（Ruslan Salak hutdi nov）在顶尖学术刊物《科学》（Science）上发表了一篇文章，开启了深度学习的新篇章。这篇文章有两个主要观点：第一，多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类；第二，深度神经网络在训练上的难度可以通过“逐层初始化”（Layer-wise Pre-training）来有效克服，在这篇文章中，逐层初始化是通过无监督学习实现的。

深度学习的概念源于人工神经网络的研究。神经网络和深度学习两者之间有相同的地方，它们采用了相似的分层结构，而不一样的地方在于深度学习采用了不同的训练机制，具备强大的表达能力。传统神经网络曾经是机器学习领域很火的研究方向，后来由于参数难以调整和训练速度慢等问题淡出了人们的视野。之后，深度神经网络模型成为人工智能领域的重要前沿阵地，深度学习算法模型也经历了一个快速迭代的周期，深度信念网络（Deep Belief Network，DBN）、稀疏编码（Sparse Coding）、结构递归神经网络（Recursive Neural Network，RNN）、卷积神经网络（Convolutional Neural Network，CNN）等各种新的算法模型被不断提出，而其中卷积神经网络更是成为图像识别最炙手可热的算法模型。

近几年来，计算机的计算能力和存储能力都有了很大提高，数据发掘引领了大数据时代的到来。深度学习作为增强机器学习能力的方法被广泛应用，配合大量数据，使原来复杂度很高的算法都能够实现，得到的结果也更为精准。