人工智慧(artificial intelligence)，英文縮寫為ai。它是研究、開發用於模擬、延伸和擴充套件人的智慧型的理論、方法、技術及應用系統的一門新的技術科學。
人工智慧是電腦科學的乙個分支，它企圖了解智慧型的實質，並生產出一種新的能以人類智慧型相似的方式做出反應的智慧型機器，該領域的研究包括語音識別、影象識別、機械人、自然語言處理、智慧型搜尋和專家系統等。
人工智慧可以對人的意識、思維的資訊過程的模擬。人工智慧不是人的智慧型，但能像人那樣思考、也有可能超過人的智慧型。
資料探勘(data mining)，顧名思義就是從海量資料中「挖掘」隱藏資訊，按照教科書的說法，這裡的資料是「大量的、不完全的、有雜訊的、模糊的、隨機的實際應用資料」，資訊指的是「隱含的、規律性的、人們事先未知的、但又是潛在有用的並且最終可理解的資訊和知識」。在商業環境中，企業希望讓存放在資料庫中的資料能「說話」，支援決策。所以，資料探勘更偏向應用。
機器學習(machine learning)是指用某些演算法指導計算機利用已知資料得出適當的模型，並利用此模型對新的情境給出判斷的過程。
機器學習的思想並不複雜，它僅僅是對人類生活中學習過程的乙個模擬。而在這整個過程中，最關鍵的是資料。
任何通過資料訓練的學習演算法的相關研究都屬於機器學習，包括很多已經發展多年的技術，比如線性回歸(linear regression)、k均值(k-means，基於原型的目標函式聚類方法)、決策樹(decision trees，運用概率分析的一種**法)、隨機森林(random forest，運用概率分析的一種**法)、pca(principal component analysis，主成分分析)、svm(support vector machine，支援向量機)以及ann(artificial neural networks，人工神經網路)。
深度學習(deep learning)的概念源於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現資料的分布式特徵表示。
深度學習是機器學習研究中的乙個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋資料，例如影象，聲音和文字。
嚴格意義上說，人工智慧和機器學習沒有直接關係，只不過目前機器學習的方法被大量的應用於解決人工智慧的問題而已。目前機器學習是人工智慧的一種實現方式，也是最重要的實現方式。
早期的機器學習實際上是屬於統計學，而非電腦科學的;而二十世紀九十年代之前的經典人工智慧跟機器學習也沒有關係。所以今天的ai和ml有很大的重疊，但並沒有嚴格的從屬關係。
不過如果僅就計算機系內部來說，ml是屬於ai的。ai今天已經變成了乙個很泛泛的學科了。
深度學習是機器學習現在比較火的乙個方向，其本身是神經網路演算法的衍生，在影象、語音等富**的分類和識別上取得了非常好的效果。
所以，如果把人工智慧與機器學習當成兩個學科來看，三者關係如下圖所示：
如果把深度學習當**工智慧型的乙個子學科來看，三者關係如下圖所示：
資料探勘主要利用機器學習界提供的技術來分析海量資料，利用資料庫界提供的技術來管理海量資料。
機器學習是資料探勘的一種重要方法，但機器學習是另一門學科，並不從屬於資料探勘，二者相輔相成。
機器學習過程使用以下步驟進行定義：
1. 確定相關資料集並準備進行分析。
2. 選擇要使用的演算法型別。
3. 根據所使用的演算法構建分析模型。
4. 立足測試資料集進行模型訓練，並根據需要進行模型修改。
5. 執行模型以生成測試評分。
機器學習與深度學習間的區別
1. 資料量：
機器學習能夠適應各種資料量，特別是資料量較小的場景。在另一方面，如果資料量迅速增加，那麼深度學習的效果將更為突出。下圖展示了不同資料量下機器學習與深度學習的效能水平。
2. 硬體依賴性：
與傳統機器學習演算法相反，深度學習演算法在設計上高度依賴於高階裝置。深度學習演算法需要執行大量矩陣乘法運算，因此需要充足的硬體資源作為支援。
3. 特徵工程：
特徵工程是將特定領域知識放入指定特徵的過程，旨在減少資料複雜性水平並生成可用於學習演算法的模式。
示例：傳統的機器學習模式專注於特徵工程中所需要找畫素及其他屬性。深度學習演算法則專注於資料的其他高階特徵，因此能夠降低處理每個新問題時特徵提取器的實際工作量。
4. 問題解決方法
傳統機器學習演算法遵循標準程式以解決問題。它將問題拆分成數個部分，對其進行分別解決，而後再將結果結合起來以獲得所需的答案。深度學習則以集中方式解決問題，而無需進行問題拆分。
5. 執行時間
執行時間是指訓練演算法所需要的時間量。深度學習需要大量時間進行訓練，因為其中包含更多引數，因此訓練的時間投入也更為可觀。相對而言，機器學習演算法的執行時間則相對較短。
6. 可解釋性
可解釋性是機器學習與深度學習演算法間的主要區別之一——深度學習演算法往往不具備可解釋性。也正因為如此，業界在使用深度學習之前總會再三考量。
機器學習與深度學習的實際應用：
通過指紋實現出勤打卡、人臉識別或者通過掃瞄車牌識別牌照號碼的計算機視覺技術。
搜尋引擎中的資訊檢索功能，例如文字搜尋與影象搜尋。
自動電子郵件營銷與特定目標識別。
癌症腫瘤醫學診斷或其他慢性疾病異常狀態識別。
自然語言處理應用程式，例如**標記。facebook就提供此類功能以提公升使用者體驗。
未來發展趨勢：
隨著業界越來越多地使用資料科學與機器學習技術，對各個組織而言，最重要的是將機器學習方案引入其現有業務流程。
深度學習的重要程度正逐步超越機器學習。事實已經證明，深度學習是目前最先進且實際效能最出色的技術方案之一。
機器學習與深度學習將在研究與學術領域證明自身蘊藏的巨大能量。
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...