人工智能、机器学习和深度学习的区别和联系
然而，“人工智能”并不是自己火的。他还有两个形影不离的队友:“机器学习”和“深度学习”。这三个词，像天界组合，出现在各个地方，有时甚至互相化身。那么问题来了。人工智能、机器学习和深度学习是什么关系？它们之间有什么联系和区别？这里不拆分概念，先从人工智能的发展说起。
人工智能的过去和现在
1956年夏天，以约翰·麦卡锡、马文·明斯基、纳撒尼尔·罗彻斯特和克劳德·香农为首的一批年轻科学家聚集在达特茅斯，研究和讨论利用机器模拟智能的一系列相关问题(史称“达特茅斯会议”)。在那次会议上，“人工智能”一词被提出，这也标志着新兴学科“人工智能”的正式诞生。
当时人工智能的研究处于“推理时期”，人们认为只要能赋予机器逻辑推理的能力，机器就具有了智能。当时的研究确实取得了一些成果，比如证明了很多数学定理，有些定理甚至比数学家还要巧妙。
然而，人类的智能不仅来自逻辑推理能力，还来自大量的经验和知识。举个例子，如果我从来没有坐过飞机，也没有给别人买过机票，当你问我明天去北京的机票多少钱的时候，我估计会不知所措，而且我连携程都不知道，所以我没有那么“聪明”，但实际上我的推理能力并没有下降。从20世纪70年代开始，人工智能的研究进入了一个“知识时期”，人们希望在推理的基础上，把各个领域的知识总结出来，讲给机器听，让它获得智能。当时，大量的专家系统(具有大量专业知识和经验的程序系统，可用于推理和判断，模拟人类专家的决策过程)问世，并在许多应用领域取得了许多成就。
但是人们很快意识到，要把知识总结出来教给机器是非常困难的(被称为“知识工程的瓶颈”)，因为人类的知识实在太多了，他们必须用机器能理解的形式来写。要是能给机器一些相对原始的数据，然后让机器自己学习就好了。所以从80年代开始，机器学习的技术路线逐渐主导了人工智能的研究，直到现在。
什么是机器学习？
机器学习可以理解为机器通过一定的方法(算法)从已知的经验数据(样本)中搜索并提炼(训练/学习)出一些规则(模型)；提取的规则可以用来判断一些未知的事物(预测)。
比如我们接触1w单身王(已知样本)，通过归纳、总结、对比(算法)，找出TA们的一些* *性特征，然后把这些* *性特征作为判断单身王的依据(模型)，这样下次遇到人(未知样本)就可以判断TA是否单身(预测)。
既然是从一堆已知样本中寻找规律，那么寻找规律的方式和规律的形式也会因人而异，也就是算法和模型可能不一样。所以机器学习本身就分了不同的流派，每个流派都有其代表性的模型和算法。机器学习主要分为符号学习(以决策树模型和相关算法为代表)、连接主义学习(以神经网络模型和相关算法为代表)和统计学习(以支持向量机和相关算法为代表)。符号主义学习和联结主义学习在20世纪80年代至90年代中期非常流行，而统计学习从90年代中期开始迅速占据舞台。值得一提的是，找出的判断一个人是否单身的一系列特征规律，其实就是一棵决策树。
深度学习的兴起
进入21世纪后，互联网和移动互联网的兴起引起了数据的爆炸式增长，云计算也大大增强了计算能力，同时神经网络的相关算法也逐渐成熟，这使得连接主义的代表——神经网络再度兴起。再回来的神经网络往往比以前有更大的网络层次，所以被称为“深度神经网络”。深度神经网络拥有足够的训练数据和计算能力，在许多复杂任务中取得了优异的性能，尤其是语音处理、自然语言处理和图像处理。性能的突破推动了人工智能在语音识别、文本翻译、人脸识别等一系列场景的应用，让大家看到了新技术落地带来的经济效益和想象空间，从而引起了人工智能的热潮。
摘要
说到这里，我们用一张图来说明人工智能的技术流派类别和演变。需要注意的是，虽然人工智能的流派在不断发展，但这并不意味着过去的技术路线已经被抛弃。这更像是一种面向实际应用的风格——在一个时代，某个技术流派正好可以解决这个时代需要解决的实际工业问题，所以自然会流行起来。目前，许多不同的机器学习技术正在被应用到各自适合的场景中，比如作为统计学习代表的支持向量机，仍然是文本分类任务的首选。
最后回答文章题目中的问题。人工智能是个大概念，是研究如何让机器获得智能的学科。机器学习是人工智能中的技术派，通过从已知样本中提取规则，获得判断未知样本的“智能”；深度学习是机器学习的一种，它学习的模型是深度神经网络。