神經網路是機器學習裡面的一種工具，有強大的非線性表達能力，機器學習是人工智慧的一部分，資料探勘是對資料的分析，找出有價值的資訊，模式識別是對於感興趣的資訊進行歸類，通常是先對資料進行降維處理，然後再分類，分類可以根據幾何空間的距離判斷

可以通俗的立刻為神經網路是一種演算法，而其他幾個技術很多都要用到這個演算法，比如深度識別和資料探勘，當你要在海量資料中挖到自己需要的有用的資料的時候為了能快速有效的獲得有用的資訊的時候，你就需要建立一套資料模型，而為了實現這個模型你就需要編寫一套演算法，而神經網路就是其中一個。個人理解，如有錯誤歡迎各位指出！

人工智慧

人工智慧我們希望機器達到的目標，即希望機器 Think like people，Act like people.而人工智慧的發展階段分為三個時代：

1、運算智慧：透過暴力計算來窮舉所有可能性來體現智慧，例如“深藍打敗國際象棋選手”

2、感知智慧：在某一特定領域的下的智慧，當前正處於的時代、屬於窄人工智慧，如人臉識別、語音識別等

3、認知智慧：即通用人工智慧、我們希望機器達到的真正智慧狀態，目前還很遙遠

機器學習是達到人工智慧目標的方法的統稱。

“學習”的標準定義為：任務 T 在經驗 E 的基礎上，用於衡量 T 的效能的 P 有所提高，簡化而言就是讓機器基於經驗學到某種東西、效果越來越好。

下述圖片（圖片引自慕課網）解釋了人類思考與機器學習的方式，都是基於歷史經驗進行總結得到知識沉澱，並對未知世界進行認知的過程。

人工智慧的核心就是預測，最初期是規則智慧（專家系統），而現在的人工智慧都是資料智慧，把難以精確解決的問題轉換為機率問題，得到近似解。

資料探勘是從海量資訊中進行搜尋提取有價值資訊的過程，是一個由處理資料、得到資訊、挖掘知識等環節組成的工作過程，在這個過程中可能用到機器學習等各種演算法，最終的目的是進行智慧決策，而這個智慧也可以理解為人工智慧。比如說透過挖掘歷史的銷售資料找到商品之間的關聯規則，大家熟知的啤酒尿布的故事就是一個典型案例。

要想知道什麼叫做模式識別，那就要先了解什麼叫做模式，通常意義上，模式指用來說明事物結構的一種表達。它是從生產生活經驗中經過抽象提煉出來的知識，說直白點就是可以用來表示事物的一些列特徵的集合。

模式識別從十九世紀五十年代興起，在二十世紀七八十年代風靡一時，是資訊科學和人工智慧的重要組成部分，主要被應用於影象分析與處理、語音識別、計算機輔助診斷、資料探勘等方面。但是其效果似乎總是差強人意，因為模式識別中的事物特徵是由人類設計總結的、主要基於人類在某一方面的領域知識，也就是說模式識別的效果不可能超過人類、有很大的侷限性。

上面提到模式識別的特徵是人類設計的，但實際中各類資料的特徵表示不是顯而易見的，我們更希望透過機器自身的學習去獲得特徵，個人覺得神經網路實際上就是這樣一種過程，可以將原始輸入資料（一個向量）對映到新的向量空間，然後基於新的向量進行分類或其他操作。下圖的（X1,X2,X3,......Xn）即原始輸入，（O1,O2,......Oj）即透過神經網路得到的輸出（可以理解為是表示原始輸入的特徵）。

之前有人提到神經網路具有強大的線性表達能力，確實如此。但要注意，神經網路不一定是非線性的，線性與否取決於每個神經元的啟用函式，如果啟用函式是線性的，那麼無論經過多少神經元、整個計算過程仍然是線性的，而線性的神經網路表達能力有限、比如說連最簡單的“異或”都處理不了。

只有引入了非線性的啟用函式，如RELU、sigmoid等，神經網路才獲得了強大解釋能力。

神經網路是直接從輸入對映為輸出，實際上這個工作也是很困難的，那麼就一步一步來，首先先對應到簡單的、低階的特徵，再把這個特徵作為輸入透過演算法得到新的特徵，然後這樣一層層的繼續，得到高層特徵、再對映到輸出，這就是所謂的深度學習。

人工智慧涵蓋的範圍最大，主要研究機器如何自主感知，認知和行動。其次是機器學習，機器學習屬於認知範疇，主要研究的是機器如何透過自身某種行為提升能力，我們稱之為學習行為。有很多種方法，有兩種不同的路線，一種是像人一樣透過小樣本差異學習，或者透過自我解釋學習；還有一種是利用計算機的計算和儲存優勢學習，比如knn，支援向量機，神經網路都是這類；第三就是神經網路，剛也提到了，是機器學習中的一種方法；第四提到的模式識別是人工智慧感知的範疇，包括特徵選擇，提取，判定，是一個綜合的應用領域；最後說資料探勘，是研究如何從資料中發現規律，利用資料工具發現數據之間的關聯，是資料庫時代商業智慧常用的工具，也也可理解為大資料分析的前身。