如下圖，人工智慧是最早出現的，也是最大、最外側的同心圓；其次是機器學習，稍晚一點；最內側，是深度學習，當今人工智慧大**的核心驅動。
機器學習—— 一種實現人工智慧的方法
機器學習最基本的做法，是使用演算法來解析資料、從中學習，然後對真實世界中的事件做出決策和**。與傳統的為解決特定任務、硬編碼的軟體程式不同，機器學習是用大量的資料來「訓練」，通過各種演算法從資料中學習如何完成任務。
機器學習直接**於早期的人工智慧領域。傳統演算法包括決策樹學習、推導邏輯規劃、聚類、強化學習和貝葉斯網路等等。眾所周知，我們還沒有實現強人工智慧。早期機器學習方法甚至都無法實現弱人工智慧。
深度學習——一種實現機器學習的技術
人工神經網路（artificial neural networks）是早期機器學習中的乙個重要的演算法，歷經數十年風風雨雨。神經網路的原理是受我們大腦的生理結構——互相交叉相連的神經元啟發。但與大腦中乙個神經元可以連線一定距離內的任意神經元不同，人工神經網路具有離散的層、連線和資料傳播的方向。
例如，我們可以把一幅影象切分成影象塊，輸入到神經網路的第一層。在第一層的每乙個神經元都把資料傳遞到第二層。第二層的神經元也是完成類似的工作，把資料傳遞到第三層，以此類推，直到最後一層，然後生成結果。
每乙個神經元都為它的輸入分配權重，這個權重的正確與否與其執行的任務直接相關。最終的輸出由這些權重加總來決定。
我們仍以停止（stop）標誌牌為例。將乙個停止標誌牌影象的所有元素都打碎，然後用神經元進行「檢查」：八邊形的外形、救火車般的紅顏色、鮮明突出的字母、交通標誌的典型尺寸和靜止不動運動特性等等。神經網路的任務就是給出結論，它到底是不是乙個停止標誌牌。神經網路會根據所有權重，給出乙個經過深思熟慮的猜測——「概率向量」。
這個例子裡，系統可能會給出這樣的結果：86%可能是乙個停止標誌牌；7%的可能是乙個限速標誌牌；5%的可能是乙個風箏掛在樹上等等。然後網路結構告知神經網路，它的結論是否正確。
即使是這個例子，也算是比較超前了。直到前不久，神經網路也還是為人工智慧圈所淡忘。其實在人工智慧出現的早期，神經網路就已經存在了，但神經網路對於「智慧型」的貢獻微乎其微。主要問題是，即使是最基本的神經網路，也需要大量的運算。神經網路演算法的運算需求難以得到滿足。
不過，還是有一些虔誠的研究團隊，以多倫多大學的geoffrey hinton為代表，堅持研究，實現了以超算為目標的並行演算法的執行與概念證明。但也直到gpu得到廣泛應用，這些努力才見到成效。
我們回過頭來看這個停止標誌識別的例子。神經網路是調製、訓練出來的，時不時還是很容易出錯的。它最需要的，就是訓練。需要成百上千甚至幾百萬張影象來訓練，直到神經元的輸入的權值都被調製得十分精確，無論是否有霧，晴天還是雨天，每次都能得到正確的結果。
只有這個時候，我們才可以說神經網路成功地自學習到乙個停止標誌的樣子；或者在facebook的應用裡，神經網路自學習了你媽媽的臉；又或者是2023年吳恩達（andrew ng）教授在google實現了神經網路學習到貓的樣子等等。
現在，經過深度學習訓練的影象識別，在一些場景中甚至可以比人做得更好：從識別貓，到辨別血液中癌症的早期成分，到識別核磁共振成像中的腫瘤。google的alphago先是學會了如何下圍棋，然後與它自己下棋訓練。它訓練自己神經網路的方法，就是不斷地與自己下棋，反覆地下，永不停歇。
深度學習，給人工智慧以璀璨的未來
深度學習使得機器學習能夠實現眾多的應用，並拓展了人工智慧的領域範圍。深度學習摧枯拉朽般地實現了各種任務，使得似乎所有的機器輔助功能都變為可能。無人駕駛汽車，預防性醫療保健，甚至是更好的電影推薦，都近在眼前，或者即將實現。
人工智慧就在現在，就在明天。有了深度學習，人工智慧甚至可以達到我們暢想的科幻**一般。你的c-3po我拿走了，你有你的終結者就好了。
神經網路是實現機器學習的一種方式。
機器學習（machine learning）可以被看成一項任務，這個任務的目標就是讓機器（廣義上的計算機）通過學習來獲得類似人類的智慧型。例如人類會下圍棋，alphago或alphago zero就是乙個掌握了圍棋知識、會下圍棋的電腦程式。
而神經網路（neural network）就是實現機器學習任務的一種方法，在機器學習領域談論神經網路，一般是指「神經網路學習」。它是一種由許多簡單元組成的網路結構，這種網路結構類似於生物神經系統，用來模擬生物與自然環境之間的互動。神經網路是乙個比較大的概念，針對語音、文字、影象等不同的學習任務，衍生出了更適用於具體學習任務的神經網路模型，如遞迴神經網路（recurrent neural network，rnn）、卷積神經網路（convolutional neural network，cnn）等。
除了神經網路可以實現機器學習任務外，常見的還有線性回歸、決策樹、支援向量機、貝葉斯分類器、強化學習、概率圖模型、聚類等多種方法，可見神經網路方法只是機器學習方法中的一種。早在上世紀80年代，神經網路就被提了出來，但在應用上一般採用很淺層的、很小的網路。現如今，隨著資料量越來越大，計算資源越來越豐富，以及演算法上的改進和優化，神經網路的層數變得越來越多，學習的效果變得也越來越好，這就是深度學習（deep learning），本質上就是深層的神經網路。
深度學習和神經網樓沒啥區別，只是層結構
人工智慧,機器學習,深度學習
所謂人工智慧，通俗地講是指由人工製造出來的系統所表現出來的智慧型 機器學習簡單來講就是通過演算法，使機器能從大量歷史資料中學習規律，從而對新的樣本做出智慧型識別或對未來做 機器學習是基於概率統計 矩陣或圖模型而得出的分析結論 機器學習是人工智慧的乙個分支 深度學習是機器學習的乙個新領域 監督學習 邏...
人工智慧 機器學習和深度學習
注 本文翻譯自網上的一篇文章，有刪節，原文 人工智慧 這個術語大家都比較熟悉。畢竟，它一直是電影中的熱門焦點，例如 終結者 黑客帝國 等等。但您最近可能還聽說過其他術語，如 機器學習 和 深度學習 有時它們與 人工智慧 交替使用。結果，人工智慧 機器學習和深度學習之間的區別可能非常不明確。接下來，我...
人工智慧 機器學習和深度學習
人工智慧定義 努力將通常由人類完成的智力任務自動化。人工智慧是乙個綜合性的領域，不僅包括機器學習與深度學習，還包括更多不涉及學習的方法。機器學習 給定包含預期結果的示例，機器學習將會發現執行一項資料處理任務的規則。機器學習的技術定義 在預先定義好的可能性空間中，利用反饋訊號的指引來尋找輸入資料的有用...