在人工神經網絡課程之后，有一位同學課下問了一個問題，她這學期也在學習“機器學習”課程，感覺“人工神經網絡”課程的內容與機器學習課程的內容大同小異。究竟這些課程之間有何區別呢？弄不清楚這些自己這學期的課程很是擔心。

之所以產生這樣的疑問，原因來自于這兩門課程之間的相似之處，而且隨著學科的發展它們重合度也在增加。但它們之間的差異在哪兒呢？

除了它們各自發展的理論和技術歷史和路徑不同、未來研究熱點和實現途徑差異之外，也許認清它們之間的聯系更重要。

DJ Patil在他的一個短片中 What’s the difference between ML and NN？ 總結了機器學習和人工神經網絡幾點關系：

一種對人工神經網絡，機器學習，人工智能之間關系的最基本看法是：人工神經網絡是眾多問題解決方案中的一種；

現今階段你所能看到的人工神經網絡大部分是一種使用大量數據訓練的多層深度學習網絡，并在傳統的誤差反向傳播（BP）技術之上衍生出很多其他特性；

對于神經網絡算法的提高也使得它與機器學習方法有了很多共同之處：比如監督學習、非監督學習、Logistic回歸、隨機森林等。這些方法的共同之處都是通過一些訓練數據及來尋找到一些滿足某些約束條件的函數映射。

近日，一篇來自于斯坦福大學的人工智能定義短文 Artificial Intelligence Definitions 從某一角度較為詳細的把智能相關的概念進行了梳理，閱讀它也許可以幫你盡可能理清這個領域中的眾多學科之間的關系。

智能 可以被定義為在不確定、時刻變化的環境中通過學習和實施合適的技術來解決碰到的問題或達到既定目標的能力。而那種安全靠編程來靈活、精確、可靠工作的工廠中的機器人則不具有智能。

人工智能 這一詞語是由斯坦福大學退休名譽教授 McCarthy 在1955年提出，是指：“制造出智能設備的科學和工程技術。” 多數研究是通過計算機編程使得機器表現出聰明，比如下象棋。但今天我們更強調機器能夠像人類一樣進行學習。

自主系統 無需借助底層（微小）管理便可以自主對完成特定目標的步驟進行規劃和決策。比如在醫院里遞送藥品的機器人可以成功穿越擁擠的走廊完成這個任務。在人工智能中的自主，與政治和生物領域中的自主概念并不相同。

機器學習 是人工智能中研究如何通過計算機軟件，在已有的經驗和數據的基礎上提高感知、知識、思考和行動能力。為實現這個目的，機器學習應用了計算機科學、統計學、心理學、神經科學、經濟學（？） 以及控制理論。

監督學習 計算機軟件從人類給定數據的標簽中來進行預測，比如從狗的圖片來預測狗的品種。 無監督學習 則無需數據標簽，有時是自行完成預測任務，例如預測一個句子中詞語的前后順序。 增強學習 是根據總的獎賞條件來自行確定要執行任務，比如在游戲中，無需給定哪種好的技術，它便可以自行學習。

深度學習 則通過使用大型多層人工神經網絡 形成類似于人腦中神經元的層次結構，計算它們之間連續變化的權值。這是當今機器學習各種方法中應用最為成功的方法。無論數據集合大小還是計算能力消耗量，它都能夠很好的推廣。

普通的算法需要像編寫的計算機程序那樣有精確的執行步驟。而人工智能算法則只有少量的用于描述學習和獎勵的計算方法，大部分算法的性能則是通過對數據和經驗的學習來獲得。對于這種巨大的變化，b畢業于斯坦福大學的Andrej Kapathy稱為它 軟件的2.0版本。

狹義的人工智能 是為了完成特定任務，比如語音、人臉識別。類人智能，或者廣義智能 則是探索更加一般性的智能，適用不同語境的機器。比如一些社交聊天機器人或者人與機器人的交互等。

聚焦人類人工智能 則是為增加人的能力、解決社會需求、從人類行為獲得啟發的人工智能，研究制作人類更加有效伙伴和工具，比如對老年人的輔助和關愛機器人。

責任編輯：haq