一、基本概念
人工智能（Artificial Intelligence, AI）亦称机器智能，是指由人制造出来的机器所表现出来的智能。通常人工智能是指通过普通计算机程序的手段实现的类人智能技术。按照智能程度分，可分为强人工智能和弱人工智能。
按照派系，人工智能可大体分为三个派系：
(1) 符号主义(Symbolicism)，又称为逻辑主义(Logicism)、心理学派(Psychlogism)或计算机学派(Computerism)，其原理主要为物理符号系统(即符号操作系统)假设和有限合理性原理。
(2) 联结主义(Connectionism)，又称为仿生学派(Bionicsism)或生理学派(Physiologism)，其原理主要为神经网络及神经网络间的连接机制与学习算法。
(3) 行为主义(Actionism)，又称进化主义(Evolutionism)或控制论学派(Cyberneticsism)，其原理为控制论及感知-动作型控制系统。
（备注：当然，还有其它不同分法）
现在，发展最火是深度学习，深度神经网络，属于联结主义；而符号主义，主要成就代表是上个世纪的专家系统；行为主义的贡献，主要在机器人控制系统方面。
机器学习致力于研究如何通过计算的手段，利用经验来改善系统自身的性能，从而帮助人们进行判断和决策。主要的方法包括统计学习方法、神经网络等。
深度学习（deep learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。
数据挖掘过程是一个综合性技术，总体目标是从一个数据集中提取信息，并将其转换成可理解的结构，以进一步使用。除了原始分析步骤，它还涉及到数据库和数据管理方面、数据预处理、模型与推断方面考量、兴趣度度量、复杂度的考虑，以及发现结构、可视化及在线更新等后处理。
模式识别（英语：Pattern recognition），就是通过计算机技术和数学方法来研究模式的自动处理和判读。
二.联系与区别
上图展示了人工智能、机器学习、深度学习三者关系。人工智能是一个很大的话题，有许多解决的思路，其中机器学习是其中的解决思路之一，而机器学习领域，有许多方法，深度学习是目前最火的方法，特别是在图形图像处理方面效果非常优越。
而数据挖掘、模式识别描述的是要解决的问题。它们都需要综合运用计算机技术。二者实现的重要途径便是通过人工智能的方法来解决问题。数据存储和机器学习是数据挖掘的两大支柱。