人工智能包括通过机器和专用计算机系统进行的人类仿真过程。人工智能的例子包括学习，推理和自我纠正。 AI的应用包括语音识别，专家系统以及图像识别和机器视觉。

机器学习是人工智能的分支，它处理可以学习任何新数据和数据模式的系统和算法。

让我们专注于下面提到的维恩图，以了解机器学习和深度学习的概念。

机器学习包括机器学习的一部分，而深度学习是机器学习的一部分。遵循机器学习概念的程序的能力是提高其观测数据的性能。数据转换的主要动机是提高其知识水平，以便将来获得更好的结果，为特定系统提供更接近所需输出的输出。机器学习包括“模式识别”，其中包括识别数据中模式的能力。

模式应经过训练以期望的方式显示输出。

机器学习可以两种不同的方式进行训练-

• 有监督的培训
• 无监督培训

监督学习

监督学习或监督训练包括以下过程：将训练集作为系统的输入，其中，每个示例都标有所需的输出值。使用特定损失函数的最小化来执行这种类型的训练，该损失函数表示相对于所需输出系统的输出误差。

训练完成后，针对训练集(也称为验证集)中不相交的示例，测量每个模型的准确性。

举例说明“监督学习”的最好例子是一堆照片，其中包含信息。在这里，用户可以训练模型以识别新照片。

无监督学习

在无监督学习或无监督培训中，请包括培训示例，这些示例未按其所属的系统标记。该系统寻找具有共同特征的数据，并根据内部知识特征对其进行更改。这种学习算法基本上用于聚类问题。

最好的例子来说明“无监督学习”是一堆没有信息的照片，以及带有分类和聚类的用户训练模型。由于没有给出任何信息，因此这种训练算法可以在假设条件下使用。