一、人工智能

人工智能(Artificial Intelligence)，英文縮寫為AI。它是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。

人工智能是計算機科學的一個分支，它企圖了解智能的實質，并生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括語音識別、圖像識別、機器人、自然語言處理、智能搜索和專家系統等。

人工智能可以對人的意識、思維的信息過程的模擬。人工智能不是人的智能，但能像人那樣思考、也有可能超過人的智能。

二、數據挖掘

數據挖掘(Data Mining)，顧名思義就是從海量數據中“挖掘”隱藏信息，按照教科書的說法，這里的數據是“大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數據”，信息指的是“隱含的、規律性的、人們事先未知的、但又是潛在有用的并且最終可理解的信息和知識”。在商業環境中，企業希望讓存放在數據庫中的數據能“說話”，支持決策。所以，數據挖掘更偏向應用。

數據挖掘通常與計算機科學有關，并通過統計、在線分析處理、情報檢索、機器學習、專家系統(依靠過去的經驗法則)和模式識別等諸多方法來實現上述目標。

三、機器學習

機器學習(Machine Learning)是指用某些算法指導計算機利用已知數據得出適當的模型，并利用此模型對新的情境給出判斷的過程。

機器學習的思想并不復雜，它僅僅是對人類生活中學習過程的一個模擬。而在這整個過程中，最關鍵的是數據。

任何通過數據訓練的學習算法的相關研究都屬于機器學習，包括很多已經發展多年的技術，比如線性回歸(Linear Regression)、K均值(K-means，基于原型的目標函數聚類方法)、決策樹(Decision Trees，運用概率分析的一種圖解法)、隨機森林(Random Forest，運用概率分析的一種圖解法)、PCA(Principal Component Analysis，主成分分析)、SVM(Support Vector Machine，支持向量機)以及ANN(Artificial Neural Networks，人工神經網絡)。

四、深度學習

深度學習(Deep Learning)的概念源于人工神經網絡的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示。

深度學習是機器學習研究中的一個新的領域，其動機在于建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。

五、人工智能與機器學習、深度學習的關系

嚴格意義上說，人工智能和機器學習沒有直接關系，只不過目前機器學習的方法被大量的應用于解決人工智能的問題而已。目前機器學習是人工智能的一種實現方式，也是最重要的實現方式。

早期的機器學習實際上是屬于統計學，而非計算機科學的;而二十世紀九十年代之前的經典人工智能跟機器學習也沒有關系。所以今天的AI和ML有很大的重疊，但并沒有嚴格的從屬關系。

不過如果僅就計算機系內部來說，ML是屬于AI的。AI今天已經變成了一個很泛泛的學科了。

深度學習是機器學習現在比較火的一個方向，其本身是神經網絡算法的衍生，在圖像、語音等富媒體的分類和識別上取得了非常好的效果。

所以，如果把人工智能與機器學習當成兩個學科來看，三者關系如下圖所示：

向左轉|向右轉

如果把深度學習當成人工智能的一個子學科來看，三者關系如下圖所示

向左轉|向右轉

六、數據挖掘與機器學習的關系

數據挖掘主要利用機器學習界提供的技術來分析海量數據，利用數據庫界提供的技術來管理海量數據。

向左轉|向右轉

機器學習是數據挖掘的一種重要方法，但機器學習是另一門學科，并不從屬于數據挖掘，二者相輔相成。

人工智能(Artificial Intelligence) ，英文縮寫為AI。它是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。 人工智能是計算機科學的一個分支，它企圖了解智能的實質，并生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。學習的話可以加裙前面六九式中間二六九最后加上五四零就可以進來學習了奧，不定期還會有資料推送，還有人工智能領域大牛在線解答問題。
什么是機器學習
機器學習可以理解為機器從已知的經驗數據（樣本）中，通過某種特定的方法（算法），自己去尋找提煉（訓練/學習）出一些規律（模型）；提煉出的規律就可以用來判斷一些未知的事情（預測）。
比如我們接觸了1w只單身汪（已知樣本），通過歸納總結與比較（算法）找出TA們身上一些共性特點，然后將這些共性特點作為判斷單身汪的依據（模型），那么下次遇到一個人（未知樣本），就可以判斷TA是不是單身了（預測）。
既然是從一堆已知的樣本中找規律，那么找規律的方式以及找出的規律的形態就會因人而異，也就是算法與模型都可能會有所不同。所以，機器學習本身也是分為不同流派的，每種流派都有它代表性的模型與算法。機器學習主要分為符號主義學習（以決策樹模型與相關算法為代表）、連接主義學習（以神經網絡模型與相關算法為代表）與統計學習（以支持向量機與相關算法為代表）。符號主義學習與連接主義學習在20世紀80年代至90年代中期非常流行，統計學習則從90年代中期開始迅速占據舞臺。值得一提的是，為判斷一個人是否為單身汪而找出的一系列特征規律其實就是一棵決策樹。
深度學習的概念源于人工神經網絡的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示。深度學習是機器學習研究中的一個新的領域，其動機在于建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。
人工智能是一個大的概念，是研究如何使機器獲得智能的學科；機器學習是人工智能中的一個技術流派，通過從已知樣本中提煉規律來獲得判斷未知樣本的“智能”；深度學習則是機器學習的一種，它所學習出來的模型是深度神經網絡。