机器学习是一门交叉学科
机器学习和很多名词相关 ，包括： 模式识别， 数据清洗，数据挖掘，统计学习，计算机视觉，语音识别 ， 深度学习
模式识别，机器学习也是模式学习，只是换了个说法，机器学习把各种各样的场景当成各种模式，把模式识别出来，相当于总结模式的规律
数据挖掘， 很多时候是和数据库的知识，然后加上核心的算法，就可以做数据挖掘方面的事情了。 拿到数据就会对数据进行清洗 （ETL）
再加上一些机器学习算法，就可以挖掘出价值来。
统计学习。 机器学习很多时候会涉及公式， 很多公式会用到统计学习的方法，机器学习也是一种应用数学。
计算机视觉。 把图片当做数据 ，使用一些算法，使机器像人一样有总结规律的能力。根据图片的一些规律，来识别图片是什么。识别图片中有什么物品，是具体什么位置 等等。
语音识别。 把声音当做开始的数据源，把他进行一些云的识别，或者进行一些翻译， 其中最核心的吗，除了把声音转成机器可以听得懂的数值之外，就是要使用算法，来让他有很好的识别的准确率。
自然语言处理。 某门语言，翻译成另外一门语言， 其中的核心还是要找到他的具体规律，比如 词和词之间的规律，词项的特点，实现这些功能，也是需要训练一个模型。
机器学习 的子类 ：深度学习 深度学习的核心是算法。这些算法有些会比较复杂。同时也需要大量的数据，来模拟人的能力，来做AI产品。很多大厂自己研发了深度学习的框架。 深度学习和机器学习是相通的
子父类关系：
总结：
模式识别= 机器学习
数据挖掘=机器学习+数据库
统计学习=机器学习的数学化
计算机视觉=图像处理+机器学习
语音识别=语音处理+机器学习
自然语言处理 = 文本处理+机器学习