人工智慧包含機器學習，機器學習包含深度學習（深度神經網路）**或參考：讀懂人工智慧+機器學習+深度學習的包含關係
大資料人工智慧技術，在應用層面包括機器學習、神經網路、深度學習等，它們都是現代人工智慧的核心技術。在大資料背景下，這些技術均得到了質的提公升，人工智慧、機器學習和深度學習的包含關係如下圖。
1．機器學習
機器學習（machine learning）也被稱為統計學習理論，是人工智慧的重要分支。它通過資料分析獲得資料規律，並將這些規律應用於**或判定其他未知資料。機器學習目前已經廣泛應用於資料探勘、自然語言處理、語音識別等，尤其是在搜尋引擎領域。
人工智慧的發展經歷了從「推理」到「知識」、從「知識」到「學習」的重要過程，機器學習一直在人工智慧的道路上解決問題。機器學習不是乙個單一的學科，而是與數學、計算機、生物學等多領域有交叉的學科。機器學習目前不僅應用在搜尋引擎中，在生物特徵識別、生物醫學研究、**分析等裡領域都有深入應用，並取得了不錯的成績。
從另外乙個角度看待機器學習，機器學習的「學習」意味著機器學習的演算法嘗試沿著某個維度進行優化，可以理解為它們通常嘗試以最小的錯誤率來最大限度地發揮其**的可能性。因此產生了三個名稱：錯誤函式、損失函式以及目標函式，因為每乙個機器學習演算法都有乙個學習目標。
專案或工程中使用機器學習演算法時，可以通過確定輸入、輸出以及目標函式和最小錯誤率來評估其演算法的作用與效果。
對於機器學習演算法中的輸入和輸出，通常情況下，初步測試的輸入與輸出的對應結果都是錯誤的，如果擁有與輸入有關的輸出結果對應關係，那麼可以通過與期望的輸出結果對比來衡量猜測的準確度，然後使用該錯誤來修改演算法，這是有監督學習的常見方式。它們不斷估算輸出結果並修改估算過程的引數，直到錯誤率達到極值。
2．神經網路
神經網路（artificial neural network）是機器學習的乙個重要演算法，也是奠定深度學習發展的基礎演算法，它的思想影響了深度學習，使得深度學習成為人工智慧中極為重要的技術之一。
神經網路作為一種常用的方法，是一種通過模仿生物的神經網路結構和功能的數學模型，也是一種自適應的計算模型。它通過感知外部資訊的變化來改變系統的內部結構。神經網路由許多的神經元組成，神經元之間相互聯絡構成資訊處理的龐大網路。假設做一件事情有多種途徑，那麼神經網路會告知設計者哪一種途徑是最佳方式。
神經網路的優勢在於它是乙個能夠通過現有資料進行自我學習、總結、歸納的系統，能夠推理產生乙個智慧型識別系統，從而成為人工智慧技術中的重要基石。
3．深度學習
深度學習（deep learning）是機器學習的重要分支，也是傳統神經網路的重要延伸。深度學習的網路結構已有很多，例如深度神經網路、卷積神經網路、遞迴神經網路等。作為多層非線性神經網路模型，它擁有強大的學習能力，通過與大資料、雲計算和gpu 平行計算相結合，它在圖形影象、視覺、語音等方面均獲得較好成就，遠遠超越了傳統機器學習的效果，因此深度學習被大眾視為人工智慧前進的重要一步。2016 年3 月，以深度學習為基礎的人工智慧圍棋應用alphago 在圍棋比賽中戰勝人類圍棋高手，成為熱議話題。
深度學習目前在影象處理、語音識別、生物特徵識別等領域中已經獲得了廣泛的應用，並得到行業較高評價，這使得深度學習持續發展，加速推進人工智慧的發展。
深度學習與機器學習的關係
在以往，絕大多數的機器學習方式都是淺層結構，即使採用非線性處理的方式，這些淺層結構的深度往往也不會太深，這種狀況在近十年左右才得以改變；隨著計算能力的增強，計算的深度也在不斷增加。
深度學習的基礎研究源自神經網路。神經網路中最為常見的是前饋型神經網路，倘若具備多隱藏層則可以被稱作深度神經網路（deep neural network）。深度神經網路能夠顯著提公升問題的處理效果，雖然目前訓練過程中需要強大的計算能力，但是借助gpu 以及分布式計算，可以在保障效果的前提下有效提公升計算效率。
深度學習可以處理任何型別的資料，例如：
（1）聲音。主要針對語音識別、語音合成、語音模擬等。
（2）文字。包含自然語言處理、自然語言生成等。
（3）影象。針對計算機視覺領域，包括影象分類、影象目標檢測、影象語義分割等。
（4）時間序列。主要在資料感測、關聯事件分析等細分領域。
深度學習可以解決幾乎任何機器感知的問題，包括對資料進行分類、聚類或對其進行**分析。
（1）分類：例如對垃圾郵件和非垃圾郵件的歸檔處理。
（2）聚類：例如對相似性較高的文件進行歸檔處理。
（3）**：例如根據歷年的氣象資料和最近的天氣變化**未來一周的天氣情況。
從開篇的包含圖中，已知深度學習是機器學習的乙個子集，而機器學習又是人工智慧的乙個子集，因此深度學習是人工智慧的乙個子技術分支。
智慧型程式是一種廣泛應用的計算機智慧型程式，它可以通過一系列的條件判斷形成，但是這樣的智慧型程式往往很容易理解，因此智慧型程式不能視作當前的人工智慧。人工智慧是面向資料深入地分析結果，結果的推測過程不是人為可快速推測的，而是需要計算機輔助完成。深度學習則是借助計算機完成的、較好的人工智慧技術。
既然機器學習是人工智慧的技術分支，那麼總有部分演算法或模型屬於人工智慧領域但是不屬於機器學習領域，例如規則引擎、專家系統、進化演算法等，它們都屬於人工智慧的技術體系，但並不是機器學習。
深度學習是人工智慧乙個技術子集。深度神經網路在一系列重要領域，例如影象識別、聲音識別、推薦系統等不斷重新整理各項指標，甚至超越了人類的認知範圍。由deepmind 研發的著名人工智慧程式alphago，在2016 年擊敗了前世界圍棋冠軍李世乭，這也是深度學習技術對各領域影響的場景之一。
深度學習中的「深」是乙個技術術語，一般而言，它指的是神經網路中的層數。乙個淺層網路有乙個所謂的隱藏層，而乙個深層網路則有乙個以上。對於一般簡單的資料特徵，它會從網路層的一層傳遞到下一層用對映關係表示，而深度神經網路的層次結構可以表達更為複雜的資料對映關係，以表示更複雜的特徵。人工智慧面向的問題也具備多層次資料的複雜特徵，因此深度學習有效地解決了目前各行各業中的部分複雜問題。
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...