小D罗
人工智能
人工智能我们希望机器达到的目标，即希望机器 Think like people，Act like people.而人工智能的发展阶段分为三个时代：
1、运算智能：通过暴力计算来穷举所有可能性来体现智能，例如“深蓝打败国际象棋选手”
2、感知智能：在某一特定领域的下的智能，当前正处于的时代、属于窄人工智能，如人脸识别、语音识别等
3、认知智能：即通用人工智能、我们希望机器达到的真正智能状态，目前还很遥远
机器学习
机器学习是达到人工智能目标的方法的统称。
“学习”的标准定义为：任务 T 在经验 E 的基础上，用于衡量 T 的性能的 P 有所提高，简化而言就是让机器基于经验学到某种东西、效果越来越好。
下述图片（图片引自慕课网）解释了人类思考与机器学习的方式，都是基于历史经验进行总结得到知识沉淀，并对未知世界进行认知的过程。
数据挖掘
数据挖掘是从海量信息中进行搜索提取有价值信息的过程，是一个由处理数据、得到信息、挖掘知识等环节组成的工作过程，在这个过程中可能用到机器学习等各种算法，最终的目的是进行智能决策，而这个智能也可以理解为人工智能。比如说通过挖掘历史的销售数据找到商品之间的关联规则，大家熟知的啤酒尿布的故事就是一个典型案例。
模式识别
要想知道什么叫做模式识别，那就要先了解什么叫做模式，通常意义上，模式指用来说明事物结构的一种表达。它是从生产生活经验中经过抽象提炼出来的知识，说直白点就是可以用来表示事物的一些列特征的集合。
模式识别从十九世纪五十年代兴起，在二十世纪七八十年代风靡一时，是信息科学和人工智能的重要组成部分，主要被应用于图像分析与处理、语音识别、计算机辅助诊断、数据挖掘等方面。但是其效果似乎总是差强人意，因为模式识别中的事物特征是由人类设计总结的、主要基于人类在某一方面的领域知识，也就是说模式识别的效果不可能超过人类、有很大的局限性。
神经网络
上面提到模式识别的特征是人类设计的，但实际中各类数据的特征表示不是显而易见的，我们更希望通过机器自身的学习去获得特征，个人觉得神经网络实际上就是这样一种过程，可以将原始输入数据（一个向量）映射到新的向量空间，然后基于新的向量进行分类或其他操作。下图的（X1,X2,X3,......Xn）即原始输入，（O1,O2,......Oj）即通过神经网络得到的输出（可以理解为是表示原始输入的特征）。
之前有人提到神经网络具有强大的线性表达能力，确实如此。但要注意，神经网络不一定是非线性的，线性与否取决于每个神经元的激活函数，如果激活函数是线性的，那么无论经过多少神经元、整个计算过程仍然是线性的，而线性的神经网络表达能力有限、比如说连最简单的“异或”都处理不了。
只有引入了非线性的激活函数，如RELU、sigmoid等，神经网络才获得了强大解释能力。
深度学习
神经网络是直接从输入映射为输出，实际上这个工作也是很困难的，那么就一步一步来，首先先对应到简单的、低级的特征，再把这个特征作为输入通过算法得到新的特征，然后这样一层层的继续，得到高层特征、再映射到输出，这就是所谓的深度学习。
欢迎探讨交流。
糊涂虫不糊涂
人工智能是一种智能控制的说法。机器学习是基于学习的算法的统称。神经网络是机器学习中的一类算法。
晒糊了的仙人掌
人工智能涵盖的范围最大，主要研究机器如何自主感知，认知和行动。其次是机器学习，机器学习属于认知范畴，主要研究的是机器如何通过自身某种行为提升能力，我们称之为学习行为。有很多种方法，有两种不同的路线，一种是像人一样通过小样本差异学习，或者通过自我解释学习；还有一种是利用计算机的计算和存储优势学习，比如knn，支持向量机，神经网络都是这类；第三就是神经网络，刚也提到了，是机器学习中的一种方法；第四提到的模式识别是人工智能感知的范畴，包括特征选择，提取，判定，是一个综合的应用领域；最后说数据挖掘，是研究如何从数据中发现规律，利用数据工具发现数据之间的关联，是数据库时代商业智能常用的工具，也也可理解为大数据分析的前身。