近年來，人工智慧在我們日常生活中的各大領域都有其參與的影子，從人機大戰的Alpha Go到金融的A.I.理財還有零售的無人商店，甚至是你我手機中購物和音樂App裡推薦的「你可能也喜歡」清單，A.I.與既有系統相輔相成提供人類更美好的服務體驗，讓各大科技龍頭紛紛砸下鉅資研發設計並導入應用人工智慧的相關技術，你知道人工智慧(A.I.)發展以來的分支有哪些嗎？究竟機器學習與深度學習和人工智慧有什麼關係？
人工智慧(Artificial Intelligence)、機器學習(Machine Learning，M.L.)和深度學習(Deep Learning，D.L.)，從字面上來看，人工智慧和後兩者似乎沒什麼關係，但它們三者其實緊密相關。廣義的解釋下，人工智慧是指「透過電腦程式或相關科技硬體來呈現人類智慧的一種技術」，而機器學習的基本定義為「機器具備學習的能力」，深度學習身為機器學習的更深層分支則是一種「實現機器自動學習且不需人為介入的技術」，人工智慧的解釋想必大家都沒有疑問，但機器學習與深度學習之間的差異，究竟是什麼？
機器學習與人類出生後的學習軌跡相似，從訓練(Training)到預測(Predict)，細分下去步驟為獲取資料、分析資料、建立模型、預測未來，使用人工開發的演算法先進行分類，再依據人工標記的特徵來進行學習，其實資料處理的過程就是一種是非題的概念。
而深度學習是分層特徵學習的概念，能夠自動從原始數據執行特徵標記，也稱為特徵學習(Feature Learning)或特徵抽取(Feature Extraction)，簡單來說就是讓電腦自行分析資料並找出「特徵值」來進行分群，而不需人類介入後的決定。不過機器學習和深度學習兩者也不完全是分開來個別作業，它們是可以相互合作去學習的。實務上深度學習可以在進行特徵抽取後由傳統分類器進行分類，或者是利用深度學習來先做降維的工作，都是很好的互利辦法。
人工智慧從上個世紀五零年代中期開始發展，當時人工智慧的研究方向僅是以邏輯符號推導為主，像是搜尋樹、迷宮走訪、河內塔和數學證明等等，執行效能受限於時空背景下的硬體規格，讓人工智慧無法在實際應用上有所突破，而人們對於人工智慧能夠追上人類智慧的美好幻想隨之泡沫化。接下來的日子裡，學者利用數學模型來模擬生物大腦的神經網路，稱為人工神經網路(ANN：Artificial neural network)，Rumelhar和Hinton等數名學者提出了反向傳播算法來解決神經網路複雜計算量的問題，也開啟了神經網路的研究大門。
三十年後的八零年代，機器學習涵蓋了電腦科學、機率論、統計學、博弈論等多領域的學科，由於多層神經網路(Deep Neural Network)層數太大導致技術困難而讓發展陷入停頓，淺層機器學習方法的支援向量機橫空出世，使其神經網路層數小於三層的效率大幅提升，不久便成為人工智慧火熱的一項技術分支。
時間來到2006年，在Hinton(深度學習之父)鑽研30年後，終於以限制玻爾茲曼機(RBM)模型讓層數大於三層的神經網路死灰復燃，鑑於先前多層(或稱深層)神經網路帶來的失敗而被多數人唾棄與忽視，Hinton將層數超過三層的Deep Neural Network重新命名為Deep Learning，但這時也僅是為多層(或稱深層)神經網路帶來些微曙光。由於深度學習會用到大量的矩陣運算，當時皆是以CPU來負責處理其運算，二維特性的CPU無法支援如此龐大的工作量，直到NVIDIA在當年間推出CUDA架構，Hinton的兩位學生才得以在後來的2012年用「深度學習+GPU」這樣的組合來發揮深度學習的威力。
了解人工智慧、機器學習和深度學習概念後，你也想成為推動人工智慧的一員嗎？
AI人工智慧系列課程，協助養成AI的關鍵技術。