人工智能、机器学习、深度学习、强化学习的关系（入门概念篇）
一、人工智能（Artificial Intelligence）
人工智能（AI）是计算机科学的一个分支，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。其研究领域包含：
二、机器学习（Machine Learning）
机器学习（ML）是一种实现人工智能的方法，是人工智能核心，是使计算机具有智能的根本途径。机器学习涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
对于机器学习的分类以及其解决的问题和主要算法：
- 有监督学习：也称为监督学习。是指用已知某种或某些特性的样本作为训练集，以建立一个数学模型(如模式识别中的判别模型，人工神经网络法中的权重模型等)，再用已建立的模型来预测未知样本的机器学习方法。主要用来解决回归和分类问题等。常用的算法有神经网络算法等。
- 无监督学习：指的是根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题的机器学习方法。主要用来解决聚类问题。常用的算法有主成分分析法等。
- 强化学习：又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。可应用到机器人交互系统中。
三、深度学习（Deep Learning）
深度学习（DL）是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。
深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
