人们很容易搞不清人工智能、机器学习和深度学习这三个术语。首先我们要知道，它们并不是一个东西。人工智能（AI），机器学习（ML）和深度学习（DL）是三回事。
-
人工智能是一门像数一样的科学。它研究构建智能程序和机器的方法，这些程序和机器可以创造性地解决问题。
-
机器学习是人工智能（AI）的一个子集，它为系统提供了从经验中自动学习和改进的能力，而无需显式编程。在ML中，有不同的算法（例如神经网络）可以帮助解决问题。
-
深度学习或深度神经学习是机器学习的一个子集，它使用神经网络来分析具有类似于人类神经系统的结构的不同因素。
它们的关系可以表示为下图：
人工智能
人工智能本质上是开发自力更生的机器，可以像人类一样思考和行动。比如说，如谷歌翻译，语音识别应用程序，Siri，以及人工智能机器人，如艾博和索菲亚等。
人工智能的类型
-
反应式机器：能够实时响应外部刺激的技术，但无法建立记忆库并存储信息以供将来使用。
-
记忆型机器人：可以存储知识并使用它来学习和训练未来任务的机器。
-
心智理论：人工智能的概念，可以感知和响应人类的情感，并执行有限记忆机器的任务。
-
自我意识：人工智能的最后阶段，机器不仅可以识别他人的情感，还可以有自我意识和人类水平的智能。
可以参考下方文章：
人工智能的4种类型，最终阶段能够拥有自我意识
机器如何学习？
机器学习是人工智能（AI）更大领域的一个子集，该领域“专注于教计算机如何在不需要针对特定任务进行编程的情况下学习”，ML背后的关键思想是，可以创建从数据中学习和预测的算法。
数据集。机器学习系统是在被称为数据集的特殊样本集合上训练的。这些样本可以包括数字、图像、文本或任何其他类型的数据。创建一个好的数据集通常需要大量的时间和精力。
特征。特征是重要的数据片段，作为解决任务的关键。它们向机器展示应该注意什么。比方说，我们想预测一个公寓的价格。这时候很难通过线性回归来预测基于房子大小和价格的模型，但是，要找到价格和建筑所在地区之间的关联性就容易得多。
算法。有可能使用不同的算法来解决相同的任务。根据不同的算法，得到结果的准确性或速度可能不同。有时为了达到更好的性能，我们会结合不同的算法。
深度学习
深度学习是一类机器学习算法，其灵感来自于人脑的结构。深度学习算法使用复杂的多层神经网络，通过对输入数据进行非线性转换。
机器学习与深度学习算法
在神经网络中，信息是通过连接通道从一个层转移到另一个层。它们被称为加权通道，因为它们中的每一个都有一个附加值。
所有的神经元都有一个独特的数字，叫做偏置。这个偏置被添加到到达神经元的输入加权总和中，然后对其应用一个激活函数。该函数的结果决定了神经元是否被激活。每个被激活的神经元都会将信息传递给下面几层。然后是第二层，直到最后一层，为程序产生输出。
为了训练这种神经网络，数据科学家需要大量的训练数据。这是由于为了使解决方案准确，必须考虑大量的参数。
总结
人工智能技术正在改变世界。虽然创建一个像人类一样聪明的人工智能系统仍然非常遥远，但机器学习已经在许多方面超过了我们，比如说计算能力。