一、概念
1、人工智能
人工智能（Artificial intelligence）簡稱AI。人工智能是計算機科學的一個分支，它企圖瞭解智能的本質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。
人工智能目前分爲弱人工智能和強人工智能和超人工智能。
-
弱人工智能：（ArtificialNarrow Intelligence
/ANI),只專注於完成某個特定的任務，例如語音識別、圖象識別和翻譯等，是擅長於單個方面的人工智能。它們只是用於解決特定的具體類的任務問題而存在，大都是統計數據，以此從中歸納出模型。由於弱人工智能智能處理較爲單一的問題，且發展程度並沒有達到模擬人腦思維的程度，所以弱人工智能仍然屬於“工具”的範疇，與傳統的“產品”在本質上並無區別。 -
強人工智能：（Artificial Generallnteligence
/AGI),屬於人類級別的人工智能，在各方面都能和人類比肩，它能夠進行思考、計劃、解決問題、抽象思維、理解複雜理念、快速學習和從經驗中學習等操作，並且和人類一樣得心應手。 -
超人工智能：（Artificial
Superintelligence/ASI），在幾乎所有領域都比最聰明的人類大腦都聰明許多，包括科學創新、通識和社交技能。在超人工智能階段，人工智能已經跨過“奇點”，其計算和思維能力已經遠超人腦。此時的人工智能已經不是人類可以理解和想象。人工智能將打破人腦受到的維度限制，其所觀察和思考的內容，人腦已經無法理解，人工智能將形成一個新的社會。目前我們仍處於弱人工智能階段。
2、機器學習
機器學習（MachineLearning）簡稱ML。機器學習屬於人工智能的一個分支，也是人工智能的和核心。機器學習理論主要是設計和分析一些讓計算機可以自動”學習“的算法。
機器學習最基本的做法，是使用算法來解析數據、從中學習，然後對真實世界中的事件做出決策和預測。與傳統的爲解決特定任務、硬編碼的軟件程序不同，機器學習是用大量的數據來“訓練”，通過各種算法從數據中學習如何完成任務。
3、深度學習
深度學習（DeepLearning）簡稱DL。最初的深度學習是利用深度神經網絡來解決特徵表達的一種學習過程。深度神經網絡本身並不是一個全新的概念，可大致理解爲它是包含多個隱含層的神經網絡結構。爲了提高深層神經網絡的訓練效果，人們對神經元的連接方法和激活函數等方面做出相應的調整而得。深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，如圖象、聲音、文本。
二、學習分類
- 監督學習：用一部分已知分類、有標記的樣本來訓練機器後，讓它用學到的特徵，對沒有還分類、無標記的樣本進行分類、貼標籤。多用於分類。
- 非監督學習：用一部分已知分類、有標記的樣本來訓練機器後，讓它用學到的特徵，對沒有還分類、無標記的樣本進行分類、貼標籤。多用於聚類。
- 半監督學習：有兩個樣本集，一個有標記，一個沒有標記。綜合利用有類標的樣本（ labeled sample）和沒有類標的樣本（
unlabeled sample），來生成合適的分類。
三、聯繫
- 機器學習是一種實現人工智能的方法；
- 深度學習是一種實現機器學習的技術；
四、機器學習與深度學習區別
數據依賴性
性能是兩種算法之間的主要關鍵區別。雖然，當數據很小時，深度學習算法表現不佳。這就是是深度學習算法需要大量數據才能完美理解的原因。
硬件依賴
通常，深度學習依賴於高端機器，而傳統學習依賴於低端機器。因此，深度學習要求包括GPU。這是它工作中不可或缺的一部分。它們還進行大量的矩陣乘法運算。
深度學習並不會淘汰其他的機器學習算法，各有各的優勢和適用場景。
深度學習弊端：
- 深度學習模型需要大量的訓練數據，才能展現出神奇的效果，但現實生活中往往會遇到小樣本問題，此時深度學習方法無法入手，傳統的機器學習方法就可以處理；
- 有些領域，採用傳統的簡單的機器學習方法，可以很好地解決了，沒必要非得用複雜的深度學習方法；
- 深度學習的思想，來源於人腦的啓發，但絕不是人腦的模擬，舉個例子，給一個三四歲的小孩看一輛自行車之後，再見到哪怕外觀完全不同的自行車，小孩也十有八九能做出那是一輛自行車的判斷，也就是說，人類的學習過程往往不需要大規模的訓練數據，而現在的深度學習方法顯然不是對人腦的模擬。