機器學習是人工智慧的一個分支，而在很多時候，幾乎成為人工智慧的代名詞。簡單來說，機器學習就是透過演算法，使得機器能從大量歷史資料中學習規律，從而對新的樣本做智慧識別或對未來做預測。

深度學習可透過學習一種深層非線性網路結構，實現複雜函式逼近，表徵輸入資料分散式表示，並展現了強大的從少數樣本集中學習資料集本質特徵的能力。

深度學習是機器學習的第二次浪潮。

區別於傳統的淺層學習，深度學習的不同在於：1）強調了模型結構的深度，通常有5層、6層，甚至10多層的隱層節點；2）明確突出了特徵學習的重要性，也就是說，透過逐層特徵變換，將樣本在原空間的特徵表示變換到一個新特徵空間，從而使分類或預測更加容易。與人工規則構造特徵的方法相比，利用大資料來學習特徵，更能夠刻畫資料的豐富內在資訊。

機器學習

機器學習是人工智慧的一個子集，它利用統計技術提供了向計算機“學習”資料的能力，而不需要複雜的程式設計。簡單來說，機器學習可以被定義為一種科學，它使計算機像人類一樣行動和學習，並透過以實際互動和觀察的形式向他們提供資訊和資料，以獨立的方式提高他們的學習能力。機器學習鼓勵各種行業的各種自動化跨度和任務，從分析惡意軟體或資料安全公司到尋求有利交易的財務專家，都是機器學習的應用場景。

讓我們舉一個著名的音樂流媒體服務的例子，該服務必須決定應該向聽眾推薦哪個新的藝術家或歌曲。機器學習演算法幫助聽眾選擇具有相同品味的其他聽眾。在這種情況下，機器學習將作為虛擬助手工作，為使用者提供有關音樂行業新口味和需求的資訊，系統可以根據這些資訊向聽眾推薦新歌。

深度學習

與特定於任務的演算法不同，深度學習是基於學習資料的機器學習的子集。它的靈感來自被稱為人工神經網路的功能和結構。深度學習透過學習將世界顯示為更簡單的概念和層次結構，以及基於不那麼抽象的概念來計算更抽象的代表，從而獲得巨大的靈活性和力量。儘管深度學習這個詞現在已經說了好幾年了，但是現在所有人都在大肆宣傳，它正受到越來越多的關注。

為了理解這個概念，舉一個動物識別器的例子，它有助於識別給定的影象是獅子還是鹿。當我們將此解決為傳統的機器學習問題時，我們將涉及特定的特徵，比如說給定的動物是否有耳朵，是否有鬍鬚或任何其他器官。簡單來說，我們將定義面部特徵，讓系統識別動物。另一方面，在深度學習中，從第一步開始。深度學習將自動對關鍵特徵進行定義和分類。深度學習將首先確定找出獅子或鹿的最相關因素。稍後它將開始識別形狀和邊緣的組合，以更深入地識別物件。例如，如果物件有耳朵或者有鬍鬚。在定義了這些概念的連續分層識別之後，它將決定哪些特徵負責找到正確的答案。