1. 核心术语定义与区别
- 机器学习 (Machine Learning, ML)
- 定义：使计算机无需明确编程即可学习的领域；主要是学习从输入 A 到输出 B 的映射。
- 产出：一个能自动运行、全天候服务的软件系统。
- 商业案例：房价预测App（输入房屋属性，输出价格）、在线广告推荐系统（输入用户信息，输出点击概率）。
- 数据科学 (Data Science, DS)
- 定义：从数据中提取知识和见解的科学。
- 产出：通常是分析报告或幻灯片（PPT），用于总结结论以辅助商业决策。
- 商业案例：分析发现“三居室比两居室溢价高”或“新装修房屋溢价15%”，从而指导建房或翻新决策；分析发现旅游业广告潜力大，指导销售团队调整策略。
- 注：ML与DS的界限在工业界有时较为模糊，但上述区分最为常用。
- 神经网络 / 深度学习 (Neural Networks / Deep Learning)
- 定义：一种非常有效的学习“A到B”映射的技术。本质上是一个巨大的数学方程。
- 术语关系：“深度学习”和“神经网络”如今几乎可互换使用。“深度学习”是近年来更流行的品牌化称呼。
- 与大脑的关系：虽受生物神经元启发，但运作机制与生物大脑几乎无关，应谨慎进行类比。它是机器学习中最强大的子集工具。
2. 概念之间的层级关系
- AI (人工智能)：最大的集合，包含所有让电脑智能运行的工具。除了机器学习，还包括生成式AI、强化学习、知识图谱等其他工具。
- 机器学习：AI 中最大的子集。
- 深度学习/神经网络：机器学习中当前最重要、最强大的部分，主要用于监督学习（A到B映射）。
- 数据科学：位置较特殊，通常被视为上述工具的交叉子集。它利用AI、ML和DL的工具来解决业务洞察问题，但也包含其他独立的分析工具。
3. 核心要点
- 最重要的四个术语：机器学习、数据科学、深度学习、神经网络。
- 应用导向：理解这些术语有助于评估如何将AI技术应用于自身业务（例如：是需要一个自动化软件产品，还是需要一份辅助决策的分析报告）。