我再说说他们的概念， 你知道这三个的概念相信你对他们之间的关系就能更下的理解了：

1、人工智能

    人工智能（Artificial intelligence）简称AI。人工智能是计算机科学的一个分支，它企图了解智能的本质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

2、机器学习

    机器学习（MachineLearning）简称ML。机器学习属于人工智能的一个分支，也是人工智能的和核心。机器学习理论主要是设计和分析一些让计算机可以自动”学习“的算法。

3、深度学习

    深度学习（DeepLearning）简称DL。最初的深度学习是利用深度神经网络来解决特征表达的一种学习过程。深度神经网络本身并不是一个全新的概念，可大致理解为包含多个隐含层的神经网络结构。为了提高深层神经网络的训练效果，人们对神经元的连接方法和激活函数等方面做出相应的调整。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，如图象、声音、文本。

总的来说机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。如下图：

可能有很多小伙伴认为人工智能就是机器学习或者是深度学习，那么，今天我就带大家梳理一下这三者的关系吧~人工智能是使用与传统计算机系统完全不同的工作模式，它可以依据通用的学习策略，读取海量的大数据，并从中发现规律、联系和洞见，因此人工智能能够根据新数据自动调整，而无需重设程序。简单地说，人工智能就是能够感知、推理、行动和适应的程序。机器学习是人工智能研究的核心技术，在大数据的支撑下，通过各种算法让机器对数据进行深层次的统计分析以进行自学；利用机器学习，人工智能系统获得了归纳推理和决策能力；而深度学习更将这一能力推向了更高的层次。机器学习就是能够随着数据量的增加不断改进性能的算法。深度学习是机器学习算法的一种，隶属于人工神经网络体系，现在很多应用领域中性能最佳的机器学习都是基于模仿人类大脑结构的神经网络设计而来的，这些计算机系统能够完全自主地学习、发现并应用规则。相比较其他方法，在解决更复杂的问题上表现更优异，深度学习是可以帮助机器实现独立思考的一种方式。深度学习就是利用多层神经网络从大量数据中进行学习。因此，这三者就是包含与被包含的关系，人工智能包含机器学习，机器学习包含深度学习。实际应用在实际应用中，针对不同的功能我们也可以有不同的运用，像数据挖掘利用机器学习技术从大量数据中挖掘出有价值的信息。例如，Smartbi的数据挖掘平台在一个界面上通过可视化的操作实现数据预处理、算法应用、模型训练、评估、部署等全生命周期的管理。同时，内置分类、聚类、关联、回归五大类数十个算法节点并支持自动推荐，参数也能实现自动调优。在湖南广电5G智慧电台项目中，Smartbi 5G智慧电台大屏对客户电台信息进行集中分析和展现，利用的是百度地图AI大数据挖掘技术。从海量车辆定位数据、轨迹数据中捕捉交通的动态变化，为5G智慧电台提供了行业领先的AI智慧路况，实现了台网的快速、精准联动。电台编辑只需在大屏上点击地图，便可查询实时路况，为全国县域用户提供更加即时、精准、智能的路况信息广播服务。未来，随着数字化转型的不断加速，BI与AI的深度结合实现组织智能决策，是未来的大势所趋。而Smartbi将会保持优势，继续深耕，在BI+AI方面会有更大的突破。

人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学；机器学习就是用算法解析数据，不断学习，对世界中发生的事做出判断和预测的一项技术；深度学习是用于建立、模拟人脑进行分析学习的神经网络，并模仿人脑的机制来解释数据的一种机器学习技术。可以说机器学习是人工智能的一个子集，而深度学习是机器学习的一个子集。

一、人工智能从广义上讲，人工智能描述一种机器与周围世界交互的各种方式。通过先进的、像人类一样的智能――软件和硬件结合的结果――一台人工智能机器或设备就可以模仿人类的行为或像人一样执行任务。我们通常所说的人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括语音识别、图像识别、机器人、自然语言处理、智能搜索和专家系统等。我们今天读到了很多关于人工智能的内容，比如语音识别(用于智能个人助理设备)，面部识别(被用在目前社交媒体上很流行的滤镜中)，或者物体识别(比如搜索苹果和橙子的图片)。然而这些功能是如何实现的？二、机器学习机器学习是人工智能的一种途径或子集，它强调“学习”而不是计算机程序。一台机器使用复杂的算法来分析大量的数据，识别数据中的模式，并做出一个预测――不需要人在机器的软件中编写特定的指令。在错误地将奶油泡芙当成橙子之后，系统的模式识别会随着时间的推移而不断改进，因为它会像人一样从错误中吸取教训并纠正自己。任何通过数据训练的学习算法的相关研究都属于机器学习，包括很多已经发展多年的技术，比如线性回归(Linear Regression)、K均值(K-means，基于原型的目标函数聚类方法)、决策树(Decision Trees，运用概率分析的一种图解法)、随机森林(Random Forest，运用概率分析的一种图解法)、PCA(Principal Component Analysis，主成分分析)、SVM(Support Vector Machine，支持向量机)以及ANN(Artificial Neural Networks，人工神经网络)。三、深度学习深度学习(Deep Learning)的概念源于人工神经网络的研究。这里所说的深度是指层，层越多，越深，含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据。例如，一台深度学习的设备可以检查大数据――比如通过水果的颜色、形状、大小、成熟时间和产地――来准确判断一个苹果是不是青苹果，一个橙子是不是血橙。四、人工智能与机器学习、深度学习的关系严格意义上说，人工智能和机器学习没有直接关系，只不过目前机器学习的方法被大量的应用于解决人工智能的问题而已。目前机器学习是人工智能的一种实现方式，也是最重要的实现方式。早期的机器学习实际上是属于统计学，而非计算机科学的;而二十世纪九十年代之前的经典人工智能跟机器学习也没有关系。所以今天的AI和ML有很大的重叠，但并没有严格的从属关系。不过如果仅就计算机系内部来说，ML是属于AI的。AI今天已经变成了一个很泛泛的学科了。深度学习是机器学习现在比较火的一个方向，其本身是神经网络算法的衍生，在图像、语音等富媒体的分类和识别上取得了非常好的效果。

三者关系：人工智能（Artificial Intelligence）通过软件和硬件来「模拟」和「模仿」智能人类行为的研究。人工智能研究的各个分支，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。机器学习（Machine Learning）AI的一个子领域，通过算法将AI概念应用于计算系统。计算机识别数据模式并根据数据模式采取行动，是一种实现人工智能的方法。直接来源于早期的人工智能领域，传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。从学习方法上来分，机器学习算法可以分为监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习、集成学习、深度学习和强化学习。机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。深度学习（Deep Learning）是ML的子领域，是人工神经网络的另一个名字。深度学习网络模仿人类大脑感知与组织的方式，根据数据输入做出决策，是一种实现机器学习的技术。

人工智能的浪潮正在席卷全球，诸多词汇时刻萦绕在我们耳边：人工智能（Artificial Intelligence）、机器学习（Machine Learning）、深度学习（Deep Learning）。不少人对这些高频词汇的含义及其背后的关系总是似懂非懂、一知半解。为了帮助大家更好地理解人工智能，这篇文章用最简单的语言解释了这些词汇的含义，理清它们之间的关系，希望对刚入门的同行有所帮助。图一 人工智能的应用人工智能：从概念提出到走向繁荣1956年，几个计算机科学家相聚在达特茅斯会议，提出了“人工智能”的概念，梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧同样本质特性的机器。其后，人工智能就一直萦绕于人们的脑海之中，并在科研实验室中慢慢孵化。之后的几十年，人工智能一直在两极反转，或被称作人类文明耀眼未来的预言，或被当成技术疯子的狂想扔到垃圾堆里。直到2012年之前，这两种声音还在同时存在。2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能开始大爆发。据领英近日发布的《全球AI领域人才报告》显示，截至2017年一季度，基于领英平台的全球AI（人工智能）领域技术人才数量超过190万，仅国内人工智能人才缺口达到500多万。人工智能的研究领域也在不断扩大，图二展示了人工智能研究的各个分支，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。图二 人工智能研究分支但目前的科研工作都集中在弱人工智能这部分，并很有希望在近期取得重大突破，电影里的人工智能多半都是在描绘强人工智能，而这部分在目前的现实世界里难以真正实现（通常将人工智能分为弱人工智能和强人工智能，前者让机器具备观察和感知的能力，可以做到一定程度的理解和推理，而强人工智能让机器获得自适应能力，解决一些之前没有遇到过的问题）。弱人工智能有希望取得突破，是如何实现的，“智能”又从何而来呢？这主要归功于一种实现人工智能的方法――机器学习。机器学习：一种实现人工智能的方法机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。举个简单的例子，当我们浏览网上商城时，经常会出现商品推荐的信息。这是商城根据你往期的购物记录和冗长的收藏清单，识别出这其中哪些是你真正感兴趣，并且愿意购买的产品。这样的决策模型，可以帮助商城为客户提供建议并鼓励产品消费。机器学习直接来源于早期的人工智能领域，传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。从学习方法上来分，机器学习算法可以分为监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习、集成学习、深度学习和强化学习。传统的机器学习算法在指纹识别、基于Haar的人脸检测、基于HoG特征的物体检测等领域的应用基本达到了商业化的要求或者特定场景的商业化水平，但每前进一步都异常艰难，直到深度学习算法的出现。深度学习：一种实现机器学习的技术深度学习本来并不是一种独立的学习方法，其本身也会用到有监督和无监督的学习方法来训练深度神经网络。但由于近几年该领域发展迅猛，一些特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。最初的深度学习是利用深度神经网络来解决特征表达的一种学习过程。深度神经网络本身并不是一个全新的概念，可大致理解为包含多个隐含层的神经网络结构。为了提高深层神经网络的训练效果，人们对神经元的连接方法和激活函数等方面做出相应的调整。其实有不少想法早年间也曾有过，但由于当时训练数据量不足、计算能力落后，因此最终的效果不尽如人意。深度学习摧枯拉朽般地实现了各种任务，使得似乎所有的机器辅助功能都变为可能。无人驾驶汽车，预防性医疗保健，甚至是更好的电影推荐，都近在眼前，或者即将实现。三者的区别和联系机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。我们就用最简单的方法――同心圆，可视化地展现出它们三者的关系。图三 三者关系示意图目前，业界有一种错误的较为普遍的意识，即“深度学习最终可能会淘汰掉其他所有机器学习算法”。这种意识的产生主要是因为，当下深度学习在计算机视觉、自然语言处理领域的应用远超过传统的机器学习方法，并且媒体对深度学习进行了大肆夸大的报道。深度学习，作为目前最热的机器学习方法，但并不意味着是机器学习的终点。起码目前存在以下问题：1. 深度学习模型需要大量的训练数据，才能展现出神奇的效果，但现实生活中往往会遇到小样本问题，此时深度学习方法无法入手，传统的机器学习方法就可以处理；2. 有些领域，采用传统的简单的机器学习方法，可以很好地解决了，没必要非得用复杂的深度学习方法；3. 深度学习的思想，来源于人脑的启发，但绝不是人脑的模拟，举个例子，给一个三四岁的小孩看一辆自行车之后，再见到哪怕外观完全不同的自行车，小孩也十有八九能做出那是一辆自行车的判断，也就是说，人类的学习过程往往不需要大规模的训练数据，而现在的深度学习方法显然不是对人脑的模拟。深度学习大佬 Yoshua Bengio 在 Quora 上回答一个类似的问题时，有一段话讲得特别好，这里引用一下，以回答上述问题：Science is NOT a battle, it is a collaboration. We all build on each other's ideas. Science is an act of love, not war. Love for the beauty in the world that surrounds us and love to share and build something together. That makes science a highly satisfying activity, emotionally speaking!这段话的大致意思是，科学不是战争而是合作，任何学科的发展从来都不是一条路走到黑，而是同行之间互相学习、互相借鉴、博采众长、相得益彰，站在巨人的肩膀上不断前行。机器学习的研究也是一样，你死我活那是邪教，开放包容才是正道。结合机器学习2000年以来的发展，再来看Bengio的这段话，深有感触。进入21世纪，纵观机器学习发展历程，研究热点可以简单总结为2000-2006年的流形学习、2006年-2011年的稀疏学习、2012年至今的深度学习。未来哪种机器学习算法会成为热点呢？深度学习三大巨头之一吴恩达曾表示，“在继深度学习之后，迁移学习将引领下一波机器学习技术”。但最终机器学习的下一个热点是什么，谁又能说得准呢。

这些概念很多人都搞不清楚，我来说说我的看法，供大家参考参考:1. 人工智能 = 一个集合， 机器学习 = 集合中的一个元素， 深度学习 = 集合中的一个元素。2. 人工智能(是一个统称或者说是一个虚名词)并不是一门特定或者指定的一门专业知识点来的，它是所有关于智能方面的一个统称，它有非常多的分支。比如说:(1) 软件方面: 机器学习，深度学习，机器视觉，智能推荐，美图相机系统，人脸识别，数据挖掘等等。(2) 硬件方面(物联网): 智能硬件设备，机器人，智能报警，智能车，无人驾驶等等。以上的(1)和(2)所列的专业知识点都属于人工智能，它们都是人工智能集合中的元素来的。3. 机器学习: 是一个具体的专业知识，是人工智能领域中的一个小分支而已。4. 深度学习: 是现在人工智能领域比较前沿的算法来的，它是从机器学习中的神经网络层面发展来的。深度学习也只是人工智能领域的一个小分支。5.机器学习和深度学习都是一门指定的专业知识来的，它们不是一个统称。可以说深度学习属于机器学习中的一员，也可以说机器学习和深度学习都是独立的，它们谁都不属于谁。但有一点，它们都属于人工智能领域。以上就是我的看法，希望对你有帮助。