人工智能(AI)、机器学习(ML)和深度学习(DL):有什么区别?
三者关系可总结为：AI是目标，ML是方法 ，DL是ML的进阶工具。AI的落地依赖ML提供的技术支撑 ，而DL通过更强大的特征学习能力扩展了ML的应用边界 。随着技术演进，三者界限逐渐模糊 ，但理解其层级关系有助于把握技术发展趋势 。例如 ，当前AI热潮本质是ML与DL技术突破推动的产业变革，而通用AI的实现仍需多学科交叉创新。
人工智能（AI） 、机器学习（ML） 、深度学习（DL）、AIGC（生成式人工智能）是相关但不同的概念 ，它们属于不同层级的技术范畴 ，核心区别在于定义 、技术范围和应用场景 。
深度学习与机器学习的区别：深度学习在表征学习方面提供更高效的方法，通过自动从数据中学习特征替代人工特征提取 。了解AI 、ML、DL的资源：多篇文章和资源有助于深入理解人工智能 、机器学习和深度学习的区别与应用。人工智能+机器学习+深度学习技术文章精选 - 知乎专栏：持续分享关于AI 、ML和DL的技术资料 。
深度学习是机器学习的最有效技术之一 。三者呈同心圆结构 ，AI最大 ，ML次之，DL最内层。
机器学习：在推荐系统、图像分类 、语音识别等领域有广泛应用 。
四种建树方法比较
〖壹〗 、邻接法（NJ法）：这种方法通过计算各物种间的最小进化距离来构建进化树 。它的优点在于计算过程简便 ，易于理解。然而 ，NJ法对异常值较为敏感，可能导致树形偏差 。 最大似然法（ML法）：ML法通过最大化观察数据在进化树上的概率来构建树 。它能够在考虑数据变异性的基础上，给出最可能的进化树。
〖贰〗、邻接法（NJ法） ，最大似然法（ML法） ，贝叶斯法（BI法）是近来主流的建树方法，MP法近来相对用得较少 ，每种方法都有它一定的优点 ，同时也存在着缺点。对于相同的数据集，推荐用两种及两种以上的方法建系统发育树进行分析 ，互相比照 。
〖叁〗 、有四种小时候难带但长大后可能有所建树的孩子 ，以下为你详细介绍 。第一种是调皮好动的孩子。这类孩子似乎有用不完的精力，总是上蹿下跳 ，让家长难以照管 。不过 ，他们往往好奇心旺盛，探索欲强烈 ，这使他们能接触到更多新事物 ，培养出较强的学习能力和创新思维 。第二种是爱顶嘴的孩子。
〖肆〗 、通过估算的取代参数，可以通过比较较多参数和较少参数分别评估得到的似然分值，决定一个简化的模型是否合理 。
ML法是什么
〖壹〗、极大似然估计法 。极大似然估计法（ML）是结构方程分析最常用的方法 ，ML方法的前提条件是变量是多元正态分布的。数据的非正态性可以通过偏度（skew）和峰度（kurtosis）来表示 。偏度表示数据的对称性 ，峰度表示数据平坦性的 。ML法的特点 结构方程分析可同时考虑并处理多个因变量。
〖贰〗、最大似然法（ML法）：ML法通过最大化观察数据在进化树上的概率来构建树 。它能够在考虑数据变异性的基础上，给出最可能的进化树 。但ML法计算复杂度较高 ，对计算资源要求较大。 贝叶斯法（BI法）：贝叶斯法结合了先验概率和观察数据 ，通过后验概率来构建进化树。
〖叁〗 、且所分析序列的进化距离不能太大 。故NJ法适用于进化距离不大，信息位点少的短序列 。 MP法 适用于序列残基差别小 ，具有近似变异率 ，包含信息位点比较多的长序列。 ML法 在进化模型选取合理的情况下，ML法是与进化事实吻合比较好的建树算法 。其缺点是计算强度非常大 ，极为耗时 。
〖肆〗 、极大似然估计法（ML法）是利用总体概率分布构建似然函数 ，通过求导得到参数估计量的一种方法，其估计量具有一致性、渐近有效性和渐近正态性 ，适用于非线性约束或非正态扰动项模型的大样本假设检验。极大似然估计法的核心思路似然函数构建：已知总体概率分布时 ，样本的联合分布即为似然函数 。
