AI 提效
第 2 课：机器学习、深度学习和神经网络，究竟是什么关系
用“从例子中归纳规律”的视角，分清 AI、机器学习、深度学习与神经网络的层级。
这一节要解决什么问题
人们常把这三个词轮流使用，但它们不是同义词。AI 是大范围目标；机器学习是实现目标的一类方法；深度学习是机器学习中使用多层神经网络的一支。它们像“交通工具—汽车—电动汽车”，范围逐层变窄。
学习的含义
机器学习不是把答案藏进程序，而是给模型许多输入和相应结果，让它调整内部参数，以便在没见过的新输入上也能做出有用判断。给带“垃圾/正常”标签的邮件学习分类，叫监督学习；让系统从未标注数据中发现聚类，叫无监督学习；通过奖励和惩罚改进行动策略，叫强化学习。
数据质量决定上限的一部分。标签不一致、样本只来自一种人群、历史决策本身带偏见，模型都会把问题学进去。训练集表现好也不保证现实有效；这叫泛化问题。
神经网络为什么常被提起
神经网络由许多简单计算单元和连接权重组成。它不是大脑复制品，只是受生物神经系统启发的数学结构。层数更多、参数更多的网络能从原始图像、声音和文字中自动提取复杂特征，因而推动了深度学习。但它通常需要更多数据、算力和评估，且不天然可解释。
场景与边界
用历史订单预测库存、识别照片中的瑕疵、转写会议录音，都可使用机器学习；是否应该据此拒绝贷款、诊断疾病或处分学生，则必须加入适用性验证、人工复核与申诉机制。模型输出是概率性建议，不是事实裁决。
本节小结
机器学习的核心是从例子归纳，并非魔法。理解数据、目标和评估，比记住算法名称更重要。