小D羅
人工智能
人工智能我們希望機器達到的目標，即希望機器 Think like people，Act like people.而人工智能的發展階段分為三個時代：
1、運算智能：通過暴力計算來窮舉所有可能性來體現智能，例如“深藍打敗國際象棋選手”
2、感知智能：在某一特定領域的下的智能，當前正處於的時代、屬於窄人工智能，如人臉識別、語音識別等
3、認知智能：即通用人工智能、我們希望機器達到的真正智能狀態，目前還很遙遠
機器學習
機器學習是達到人工智能目標的方法的統稱。
“學習”的標準定義為：任務 T 在經驗 E 的基礎上，用於衡量 T 的性能的 P 有所提高，簡化而言就是讓機器基於經驗學到某種東西、效果越來越好。
下述圖片（圖片引自慕課網）解釋了人類思考與機器學習的方式，都是基於歷史經驗進行總結得到知識沉澱，並對未知世界進行認知的過程。
人工智能的核心就是預測，最初期是規則智能（專家系統），而現在的人工智能都是數據智能，把難以精確解決的問題轉換為概率問題，得到近似解。
數據挖掘
數據挖掘是從海量信息中進行搜索提取有價值信息的過程，是一個由處理數據、得到信息、挖掘知識等環節組成的工作過程，在這個過程中可能用到機器學習等各種算法，最終的目的是進行智能決策，而這個智能也可以理解為人工智能。比如說通過挖掘歷史的銷售數據找到商品之間的關聯規則，大家熟知的啤酒尿布的故事就是一個典型案例。
模式識別
要想知道什麼叫做模式識別，那就要先了解什麼叫做模式，通常意義上，模式指用來說明事物結構的一種表達。它是從生產生活經驗中經過抽象提煉出來的知識，說直白點就是可以用來表示事物的一些列特徵的集合。
模式識別從十九世紀五十年代興起，在二十世紀七八十年代風靡一時，是信息科學和人工智能的重要組成部分，主要被應用於圖像分析與處理、語音識別、計算機輔助診斷、數據挖掘等方面。但是其效果似乎總是差強人意，因為模式識別中的事物特徵是由人類設計總結的、主要基於人類在某一方面的領域知識，也就是說模式識別的效果不可能超過人類、有很大的侷限性。
神經網絡
上面提到模式識別的特徵是人類設計的，但實際中各類數據的特徵表示不是顯而易見的，我們更希望通過機器自身的學習去獲得特徵，個人覺得神經網絡實際上就是這樣一種過程，可以將原始輸入數據（一個向量）映射到新的向量空間，然後基於新的向量進行分類或其他操作。下圖的（X1,X2,X3,......Xn）即原始輸入，（O1,O2,......Oj）即通過神經網絡得到的輸出（可以理解為是表示原始輸入的特徵）。
之前有人提到神經網絡具有強大的線性表達能力，確實如此。但要注意，神經網絡不一定是非線性的，線性與否取決於每個神經元的激活函數，如果激活函數是線性的，那麼無論經過多少神經元、整個計算過程仍然是線性的，而線性的神經網絡表達能力有限、比如說連最簡單的“異或”都處理不了。
只有引入了非線性的激活函數，如RELU、sigmoid等，神經網絡才獲得了強大解釋能力。
深度學習
神經網絡是直接從輸入映射為輸出，實際上這個工作也是很困難的，那麼就一步一步來，首先先對應到簡單的、低級的特徵，再把這個特徵作為輸入通過算法得到新的特徵，然後這樣一層層的繼續，得到高層特徵、再映射到輸出，這就是所謂的深度學習。
歡迎探討交流。
糊塗蟲不糊塗
人工智能是一種智能控制的說法。機器學習是基於學習的算法的統稱。神經網絡是機器學習中的一類算法。
曬糊了的仙人掌
人工智能涵蓋的範圍最大，主要研究機器如何自主感知，認知和行動。其次是機器學習，機器學習屬於認知範疇，主要研究的是機器如何通過自身某種行為提升能力，我們稱之為學習行為。有很多種方法，有兩種不同的路線，一種是像人一樣通過小樣本差異學習，或者通過自我解釋學習；還有一種是利用計算機的計算和存儲優勢學習，比如knn，支持向量機，神經網絡都是這類；第三就是神經網絡，剛也提到了，是機器學習中的一種方法；第四提到的模式識別是人工智能感知的範疇，包括特徵選擇，提取，判定，是一個綜合的應用領域；最後說數據挖掘，是研究如何從數據中發現規律，利用數據工具發現數據之間的關聯，是數據庫時代商業智能常用的工具，也也可理解為大數據分析的前身。
