人工智能
任何模仿人类行为的方法都可以称为人工智能。
机器是使用代码编程的，但是用这种方法编程人工智能是效果不好的，因为此方法是编程的显示方式。
意味着我们要定义每个可能的方案以及该方案发生时的操作。
例如无人驾驶汽车，意味着我们要定义驾驶时在道路上发生的每一种可能性。因此，从理论上讲，此时汽车存在无限可能的方案，因此不可能编写所有这些方案的程序。
机器学习
机器学习是人工智能的一部分，但是这里的主要区别是它不是基于显式编程的。
意味着，代替我们为机器定义规则，机器本身将学习规则。
例如区分猫和狗，
在这种情况下，我们将定义猫和狗的特征，因此，基于这些数字化特征，机器可以了解猫和狗之间的区别。
这被称为分类问题。
另一种机器学习的主要问题是回归问题，这适应于我们需要应对持续变化的数据，而不是有限的分类问题。
例如房地产问题，我们要根据房屋的位置，卧室数和面积大小来了解房屋的价格。我们需要为机器提供一些训练数据，来估计这些特征对应的价格。一旦机器完成自我训练，便可根据新房子的这些特征而估算出这房子的大致价格。
注意，这个价格是一个连续的数字，例如352000，而不是简单的价格高低的分类。
如果你把这个问题当做分类问题解决的话，只能是给出价格的三种类别（低价、中等价格和高价）。
因此，分类和回归，是机器学习需要应对的两种主要问题。
然而机器学习也不能够让机器更加智能==>因为人类需要提供特征以使机器学习。
深度学习
深度学习是机器学习的子集。
深度学习的思想是受到由数十亿个神经元组成的人脑的启发，基于这种神经元架构，我们创建了一个人工智能网络。
当这个神经网络具有多层时，我们称其为深度神经网络。因此叫做“深度学习”。
所以用深度学习时，我们仅向机器展示猫和狗的不同图像，然后让机器自己发现猫和狗的区别，并训练机器自己以区分猫和狗。
在训练期间我们不需要人为提供猫和狗的特征。
总结：
人工智能正在以各种方式模仿人类行为。
机器学习是不使用显式编程的AI的子集。这意味着它没有使用任何固定的规则，但它需要人类先定义学习特征。
深度学习是机器学习的子集，（理论上）不需要人工定义特征。它能够自行决定哪些特征是相关的，并根据给定的数据进行自我训练。
机器学习解决的问题主要分为两类：分类问题 和 回归问题。
