人工智能（Artificial Intelligence）
在1956年的达特茅斯会议上第一次提出了“人工智能”的概念，其提出的目的是利用计算机来构造复杂的、拥有与人类智慧同样本质特性的机器。其后的几十年里，人工智能一直在质疑和推进中徘徊。2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能迎来了一次大爆发，人工智能的研究领域也在不断扩大，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。
目前的科研工作主要集中在让机器具备观察和感知能力的弱人工智能，远没达到电影里所描绘的让机器获得自适应能力的强人工智能。为突破弱人工智能，实现的 “智能”，这就需要一种实现人工智能的方法——机器学习。
机器学习：一种实现人工智能的方法
机器学习最基本的做法是使用算法来解析数据、从中学习， 然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同， 机器学习是用大量的数据来“ 训练”， 通过各种算法从数据中学习如何完成任务，机器学习直接来源于早期的人工智能领域，传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。从学习方法上来分，机器学习算法可以分为监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习、集成学习、深度学习和强化学习。
深度学习：一种实现机器学习的技术
深度学习是用于建立、模拟人脑进行分析学习的神经网络，并模仿人脑的机制来解释数据的一种机器学习技术。它的基本特点，是试图模仿大脑的神经元之间传递，处理信息的模式。深度学习本来并不是一种独立的学习方法，其本身也会用到有监督和无监督的学习方法来训练深度神经网络。但由于近几年该领域发展迅猛，一些特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。
三者的区别和联系
机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。我们就用最简单的方法——同心圆，可视化地展现出它们三者的关系。
