简单来说：
1)深度学习(Deep Learning)只是机器学习(Machine Learning)的一种类别，一个子领域。机器学习 > 深度学习
2)大数据(Big Data)不是具体的方法，甚至不算具体的研究学科，而只是对某一类问题，或需处理的数据的描述。
对大数据以及人工智能概念都是模糊不清的，该按照什么线路去学习，学完往哪方面发展，想深入了解，想学习的同学欢迎加入大数据学习qq群：458345782，有大量干货（零基础以及进阶的经典实战）分享给大家，并且有清华大学毕业的资深大数据讲师给大家免费授课，给大家分享目前国内最完整的大数据高端实战实用学习流程体系 。从java和linux入手，其后逐步的深入到HADOOP-hive-oozie-web-flume-python-hbase-kafka-scala-SPARK等相关知识一一分享！
具体来说：
1)机器学习(Machine Learning)是一个大的方向，里面包括了很多种approach。
任务也可以不同，可以是预测(prediction)，分类(classification)，聚类(clustering)，识别(recognition)，重建(reconstruction)，约束(regularization)，甚至降噪(denoising)，超分辨(super-resolution)，除马赛克(Demosaicing)等等....
2)深度学习(Deep Learning)是机器学习的一个子类，一般特指学习高层数的网络结构。这个结构中通常会结合线性和非线性的关系。
3)大数据(Big Data，我们也叫他逼格数据....)是对数据和问题的描述。通常被广泛接受的定义是3个V上的“大”：Volume(数据量), Velocity(数据速度)还有variety(数据类别)。大数据问题(Big-data problem)可以指那种在这三个V上因为大而带来的挑战。
Volume很好理解。一般也可以认为是Large-scale data。“大”可以是数据的维度，也可以是数据的size。一般claim自己是big-data的算法会比较scalable，复杂度上对这两个不敏感。
Velocity就是数据到达的速度。对于数据高速到达的情况，需要对应的算法或者系统要有效的处理。
Variaty指的是数据的类别。以往的算法或者系统往往针对某一种已知特定类别的数据来适应。而一般大数据也会指针对处理那些unstructured data或者multi-modal data，这就对传统的处理方法带来了挑战。