这是第❾篇神扯：扯扯机器学习。
虽然，AI火了很久，但是谈起人工智能、机器学习、深度学习这些概念，吃瓜群众还是一脸懵逼。
今天，我们来系统讲讲，这些概念到底有啥区别和联系。
下面这张图看得比较明白，人工智能、机器学习和深度学习，其实三者是层层包含的关系。
人工智能的概念，起源于1950年代，包含多个分支，比如专家系统、进化计算、模糊逻辑、推荐系统，也包括最重要的分支：机器学习。
说白了，机器学习是实现人工智能的方法之一。
而机器学习，又细分了很多种学习“方法”：有监督学习、无监督学习、强化学习、深度学习等等。
先来简单扒一扒各种学习方法——
▌有监督学习
由“专家”先把数据的特征标记好，交给机器来学习这些特征，然后，机器会得到一个“模型”。这个过程，称之为训练。
得到“模型”以后，机器在看到没有标记的新数据，也能活学活用，把符合模型特征的找出来。这个过程，称之为推理。
这个学习过程，有所谓的砖家参与“监督”，所以叫做“有监督学习”。
▌无监督学习
整个过程，没有砖家参与标注数据，所有的数据都是一脸懵逼的进去，机器经过一番研究之后，会懵懂滴从中找出一些规律，然后输出结果。
比如，机器并不能学习并识别猫的模型，但是可从海量的猫图片中，发现黑猫白猫两大类，然后把他们分类。
这，就是“无监督学习”。
▌强化学习
在机器学习中，还有一种方法，叫做强化学习，俗称：打一巴掌，给个甜枣。让机器对问题作出判断，如果机器给出了错误的答案，就对机器进行“惩罚”，给与负面反馈。
如果机器给出了正确的答案，就对机器进行“奖励”，给与正面反馈。
整个过程，很像训练马戏团的猴子，久而久之，机器对这类事物的判断就会越来越趋向正确的方向。
通过奖惩来进行强化，这就是“强化学习”。
▌深度学习
接下来，轮到了机器学习领域最重要的方法：深度学习。深度学习也使用了有监督/无监督学习的方法，但近10年里，深度学习发展迅猛，现在已经在机器学习中自成一派，成了当红炸子鸡。
虽然深度学习并不像上面图中那样，把机器沉在深水中学习，但是，深度学习的“水”还是挺深的。
深度学习采用了“深度神经网络”，这个“深度”其实是指神经网络的层数。
神经网络有点像一个多级的水管系统，左边是数据输入，中间设置了很多阀门，通过不断调节每个阀门的出水量，最终，让右边的输出，达到我们预期的结果。
不断调节阀门、优化结果的过程，就是对神经网络进行训练，这个过程需要大量的数据输入，也需要消耗大量的算力。
最终，训练优化好的“水管网”（模型），才能部署到生产系统中，学以致用。
如果从0到1回放整个过程，我们会发现，要完成一次机器学习/深度学习实战，非常复杂。
六步跑下来，一顿操作猛如虎。
企业需要有数据、有算力、懂算法、懂场景，要有数据科学家、行业业务专家、系统工程师、开发工程师、运维工程师……
难怪AI落地这么难，因为这个过程确实很艰辛。
幸运的是，现在主流的公有云服务商，都逐步开始推出全托管式的机器学习平台。
这就像是个机器学习全家桶，在云上一站式搞定机器学习的所有流程。
在这其中，AWS推出的Amazon SageMaker表现格外出众，堪称“桶神”。
这个桶里，包含了一系列的工具，从数据集准备到模型构建、训练、监控、优化，再到生产部署、大规模扩展，全部一站式完成。
无论数据科学家还是开发者，甚至是吃瓜小白尝鲜，都可以轻松玩转机器学习。
从编写代码、创建任务、多人协作，到开启训练、部署模型、参数调优、迭代回溯，以及后期的应用和规模化部署，屁股不挪窝，就可以轻松走起来。
再举个具体的例子吧↓
Amazon SageMaker有个很强大的机器学习自动化组件，叫做Autopilot，它能自动训练模型，并让使用者能了解和控制整个过程而不是只提供个黑盒模型。
Amazon SageMaker ，贯穿了整个机器学习的工作流程，而且所有组件全部支持按需付费，让机器学习投入生产省时、省力、省钱！
目前，全球已经有数以万计的客户利用SageMaker加快机器学习部署，如今，这种便利，中国用户也可以享受到了↓
2020年4月30日，Amazon SageMaker在AWS中国（宁夏）区域和（北京）区域双双正式上线！
如果我们再通盘捋一遍AWS的AI能力，就会发现，SageMaker只是一个“小全家桶”，而AWS还有个更大的“AI全家桶”。
这个“大桶”，分三层——
最上层，是AWS预制的各类通用人工智能服务，比如视觉识别、语音识别、文字翻译、反欺诈检测等等，可以直接调用。
中间层，就是SageMaker了，是机器学习一条龙服务，快速构建、训练和部署自己的模型。
最下面一层，是机器学习基础架构，包含了各种框架、算法、专门用于ML的系统镜像和容器，还有CPU/GPU资源，以及AWS为AI定制的硬件和芯片。这一层，可以让资深人员或者组织，创建更为复杂的机器学习任务。
SO，如果你想实战AI，随手选个“桶”，搞定！