簡要說明一下人工智能（AI）、機器學習（ML）和深度學習（DL）分別是什麼意思以及它們的不同點。
AI，ML和DL有什麼區別？
1.人工智能(AI)
人工智能由John McCarthy於1956年創立，它是能夠執行人類智能特徵的機器。包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。
2012年以後，得益於數據量的上漲、運算力的提升和機器學習新算法（深度學習）的出現，人工智能開始大爆發。據領英近日發佈的《全球AI領域人才報告》顯示，截至2017年一季度，基於領英平臺的全球AI（人工智能）領域技術人才數量超過190萬，僅國內人工智能人才缺口達到500多萬。
可以將AI分為兩類，廣義和狹義，也有人叫強人工智能和弱人工智能
General AI將具有人類智慧的所有特徵，包括上述能力。
狹義的AI展示了人類智慧的某些方面，並且將某些方面做到最好，但在其他領域卻無法適用。舉個狹義人工智能的一個例子，比如一臺很高端的識別圖像的機器，沒有別的功能。
2.機器學習(ML)
機器學習的核心是簡單的實現 AI的方式，即機器學習可以實現弱人工智能。
機器學習最基本的做法，是使用算法來解析數據、從中學習，然後對真實世界中的事件做出決策和預測。與傳統的為解決特定任務、硬編碼的軟件程序不同，機器學習是用大量的數據來“訓練”，通過各種算法從數據中學習如何完成任務。
舉個簡單的例子，當我們瀏覽網上商城時，經常會出現商品推薦的信息。這是商城根據你往期的購物記錄和冗長的收藏清單，識別出這其中哪些是你真正感興趣，並且願意購買的產品。這樣的決策模型，可以幫助商城為客戶提供建議並鼓勵產品消費。
機器學習直接來源於早期的人工智能領域，傳統的算法包括決策樹、聚類、貝葉斯分類、支持向量機、EM、Adaboost等等。從學習方法上來分，機器學習算法可以分為監督學習（如分類問題）、無監督學習（如聚類問題）、半監督學習、集成學習、深度學習和強化學習。
傳統的機器學習算法在指紋識別、基於Haar的人臉檢測、基於HoG特徵的物體檢測等領域的應用基本達到了商業化的要求或者特定場景的商業化水平，但每前進一步都異常艱難，直到深度學習算法的出現。
3.深度學習(DL)
深度學習本來並不是一種獨立的學習方法，其本身也會用到有監督和無監督的學習方法來訓練深度神經網絡。但由於近幾年該領域發展迅猛，一些特有的學習手段相繼被提出（如殘差網絡），因此越來越多的人將其單獨看作一種學習的方法。
深度學習的靈感來自於大腦的結構和功能，即許多神經元的互連。人工神經網絡（ANN）是模擬大腦生物學結構的算法。
4.三者區別
機器學習是一種實現人工智能的方法，深度學習是一種實現機器學習的技術。我們就用最簡單的方法——同心圓，可視化地展現出它們三者的關係。
目前，業界有一種錯誤的較為普遍的意識，即“深度學習最終可能會淘汰掉其他所有機器學習算法”。這種意識的產生主要是因為，當下深度學習在計算機視覺、自然語言處理領域的應用遠超過傳統的機器學習方法，並且媒體對深度學習進行了大肆誇大的報道。
深度學習，作為目前最熱的機器學習方法，但並不意味著是機器學習的終點。起碼目前存在以下問題：
1. 深度學習模型需要大量的訓練數據，才能展現出神奇的效果，但現實生活中往往會遇到小樣本問題，此時深度學習方法無法入手，傳統的機器學習方法就可以處理；
2. 有些領域，採用傳統的簡單的機器學習方法，可以很好地解決了，沒必要非得用複雜的深度學習方法；
3. 深度學習的思想，來源於人腦的啟發，但絕不是人腦的模擬，舉個例子，給一個三四歲的小孩看一輛自行車之後，再見到哪怕外觀完全不同的自行車，小孩也十有八九能做出那是一輛自行車的判斷，也就是說，人類的學習過程往往不需要大規模的訓練數據，而現在的深度學習
方法顯然不是對人腦的模擬。另外，附上一張AI大家族的圖譜
可以清楚看出，AI, ML, DL之間的關係
閱讀更多 挨踢學霸 的文章
