人工智能Artificial Intelligence最早是在1956年提出的。幾個計算機科學家在達特茅斯會議上希望能使計算機不僅僅是進行簡單的計算，而是可以達到人腦相同的功能。關於人工智能，羅輯思維節目還做過一期節目，裏面講到人工智能一開始被嘲笑，它有多智能，就有多少人工，而且詭異的是，每當人工智能取得一些進步，我們就馬上認爲這是常規方法得到的結果，從而認定它不算是人工智能了。可見，人工智能還在發展中。
而機器學習Machine Learning就是實現人工智能的方法。事實上計算機專家提出的人工智能就是以機器爲基礎的。只是後來發現除了用機器和代碼，人工智能也可以用生物學等方法實現，其實神經網絡的發展也離不開腦神經學的研究。現在的機器學習，特指統計機器學習，基於計算機和數據，構建概率統計模型，然後再根據模型對數據進行預測和分析。李航博士的《統計學習方法》講解了一些重要的統計學習的方法。關於學習，Herbert A.Simon有過這樣一個定義：如果一個系統能夠通過執行某個過程改進它的性能，這就是學習。我認爲從字面意思，學習有兩層意思，一個是學，得到一個概念，是從無到有的過程；一個是習，練習，鳥復飛也，是不斷練習，不斷強化，不斷熟練的過程。
深度學習是機器學習的一種，是最近基於大數據和計算能力的提升（GPU的使用、雲計算，並行處理）纔得到了廣泛的運用。只不過隨着一些特有的學習手段的提出（如殘差網絡、GAN網絡、CNN、LSTM長期短期記憶），開始被單獨視爲一種學習方法。
深度之所以稱之爲深度，主要就是需要訓練神經網絡（使用有監督或者無監督的學習方法），而且層數越來越高。而在深度學習之前的機器學習，對比之下就是淺層學習，這種早期的機器學習甚至都沒有使用神經網絡，因爲簡單的SVM就可以達到相同的效果。神經網絡其實只是機器學習其中的一種模型，除此之外傳統的機器學習的算法還包括決策樹、聚類、貝葉斯分類、EM、Adaboost等；從學習方法上看，機器學習又可分爲監督學習、無監督學習、半監督學習、集成學習、深度學習和強化學習。所以我們看到正如之前講到的，深度學習是機器學習的一種。並且幾種學習方法之間是相互滲透的，深度學習也會用監督或者無監督的學習方法來訓練神經網絡。
傳統機器學習和深度學習的一個很重要的區別就是“特徵工程”。傳統機器學習的模型因爲比較簡單，容易造成欠擬合，即不能較好地表徵輸入的信息，如模型是線性關係，則不能表徵二次曲線。所以傳統機器學習需要我們人爲地找到輸入信息的特徵，即特徵提取，比如一些濾波器，找到輸入圖像的邊緣，角點等。
下面主要說一下深度學習的發展。
深度學習之前還有流形學習和稀疏學習，現在是深度學習的天下，但它也有一些問題，比如需要大量數據來訓練，不適用於簡單的領域，不能完全模擬人腦。吳恩達表示，接下來的機器學習，可能是遷移學習的天下。
Reference：
人工智能、機器學習和深度學習的區別? - 育心的回答 - 知乎
https://www.zhihu.com/question/57770020/answer/249708509