AI技術主要包括 機器學習，表徵學習（特徵學習），深度學習等
AI技術包含關係
上圖爲人工智能技術的包含關係
可見AI包括機器學習（machine learning），機器學習又包括表徵學習（representation learning），深度學習（Deep Learning）又是表徵學習的一種
AI系統的不同部分
上圖可見
基於規則的系統（Rule-based systems）：輸入數據 通過手寫規則的程序 得到輸出
經典機器學習：輸入 通過設計的特徵提取 利用特徵進行匹配 得到輸出
表徵學習：相對於經典機器學習，將手寫特徵提取，改爲機器對特徵進行學習
深度學習：輸入 提取到簡單的特徵 對特徵進行擴展 利用特徵進行匹配
該圖中灰色的部分，爲機器從數據中學習部分（不需要人編寫）
機器學習與深度學習區別
深度學習由經典機器學習發展而來，兩者有着相同與不同特點
1.完全不同的模式
機器學習：使計算機能從數據中學習，並利用其學到的知識來提供答案（通常爲預測）。依賴於不同的範式（paradigms），例如統計分析、尋找數據相似性、使用邏輯等
深度學習：使用單一技術，最小化人腦勞動。使用被稱爲神經元的計算單元處理數據，這些計算單元被安排成有序的部分，稱爲層。(神經網絡)（neural network）
2.靈活的架構
機器學習：提供許多超參（調整）來優化從數據中學習的算法
深度學習：也使用超參，不過也使用多個用戶配置的層（用戶指定數量個類型）
3.自治（自動調節）的特徵定義
機器學習：需要人工干預才能成功。使用大量的人類知識來發展機器學習工作算法。（爲機器學習算法創建正確的信息稱爲特徵創建，這是一項耗時的工作）
深度學習：它不需要人類執行任何功能創建活動，由於它的許多層，它定義了自己最好的特徵
簡述深度學習
什麼是深度學習
從數據中提取有用的模式
怎樣實現深度學習
神經網絡 + 優化
技術手段如 Python+TensorFlow/pytorch
困難部分
需要好的問題，也需要搭配好的數據（數量、質量）
深度學習發展依賴
爲什麼深度學習現在發展正盛？
有了大量數據、硬件發展、活越強大的社區、有了很多封裝的工具
面臨困境
大多數關於智力的重大問題都沒有得到回答，也沒有得到恰當的表述
熱門應用
人臉識別、圖像分類、語音識別、語音生成、筆跡轉錄、機器翻譯、醫學診斷、汽車自動駕駛（航線保持）、智能助理、智能推薦系統（廣告、商品）、遊戲
百科概念
深度學習
深度學習是學習樣本數據的內在規律和表示層次，這些學習過程中獲得的信息對諸如文字，圖像和聲音等數據的解釋有很大的幫助。它的最終目標是讓機器能夠像人一樣具有分析學習能力，能夠識別文字、圖像和聲音等數據。 深度學習是一個複雜的機器學習算法，在語音和圖像識別方面取得的效果，遠遠超過先前相關技術。
從一個輸入中產生一個輸出所涉及的計算可以通過一個流向圖（flow graph）來表示：流向圖是一種能夠表示計算的圖，在這種圖中每一個節點表示一個基本的計算以及一個計算的值，計算的結果被應用到這個節點的子節點的值。考慮這樣一個計算集合，它可以被允許在每一個節點和可能的圖結構中，並定義了一個函數族。輸入節點沒有父節點，輸出節點沒有子節點。
這種流向圖的一個特別屬性是深度（depth）：從一個輸入到一個輸出的最長路徑的長度。
表徵學習（特徵學習）
機器學習任務，例如分類問題，通常都要求輸入在數學上或者在計算上都非常便於處理，在這樣的前提下，特徵學習就應運而生了。然而，在我們現實世界中的數據例如圖片，視頻，以及傳感器的測量值都非常的複雜，冗餘並且多變。那麼，如何有效的提取出特徵並且將其表達出來就顯得非常重要。傳統的手動提取特徵需要大量的人力並且依賴於非常專業的知識。同時，還不便於推廣。這就要求特徵學習技術的整體設計非常有效，自動化，並且易於推廣。
特徵學習可以被分爲兩類：監督的和無監督的，類似於機器學習。
在監督特徵學習中，被標記過的數據被當做特徵用來學習。例如神經網絡，多層感知器，(監督)字典學習。
在無監督特徵學習中，未被標記過的數據被當做特徵用來學習。例如(無監督)字典學習，獨立成分分析，自動編碼，矩陣分解，各種聚類分析及其變形。
機器學習（泛義）
機器學習是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法複雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行爲，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。
它是人工智能的核心，是使計算機具有智能的根本途徑。
常見算法：決策樹、樸素貝葉斯、支持向量機、隨機森林、Boosting與Bagging、EM（最大期望）
其他
推薦一個關於人工智能與深度學習的TED視頻
YOUTUBE