机器学习、深度学习、神经网络之间的关系-CSDN博客

神经网络是深度学习的核心工具，深度学习是机器学习的一个子领域。

用下面的层次结构表示：

机器学习是人工智能的一个子领域，它让计算机可以通过数据来学习规律，并根据学习结果进行预测或决策，无需明确编程规则。

深度学习是机器学习的一个子集，使用多层神经网络来自动学习特征，适合大规模数据，特别是非结构化数据（如图像、语音、文本）。

代表模型：CNN、RNN、Transformer

神经网络是深度学习的基本结构单元，模拟生物神经元传递方式，学习复杂的模式和关系。

由输入层、隐藏层、输出层组成。

深度学习指使用了很多层神经网络。

类比：

机器学习---会做数学题的学生

深度学习---擅长解决复杂问题的学生

神经网络---学生的大脑

FNN、CNN、RNN、Transformer都是神经网络的不同结构类型，属于深度学习范畴。

网络结构	全称/中文	属于	擅长任务	特点简述
FNN	Feedforward Neural Network（前馈神经网络）	最基础神经网络结构	表格类数据、回归、分类	每一层信息从前往后传递，结构简单
CNN	Convolutional Neural Network（卷积神经网络）	图像处理常用模型	图像识别、视频分析	用“卷积核”提取局部特征，适合2D/3D数据
RNN	Recurrent Neural Network（循环神经网络）	序列建模模型	文本、语音、时间序列	有“记忆”机制，适合处理前后相关的序列
Transformer	基于注意力机制的深度网络结构	新一代序列模型	语言建模、文本生成、图像、语音	用自注意力机制建模全局依赖，可并行高效训练