“机器学习”“人工智能”“深度学习”这三个词常常被人混淆，但其实它们出现的时间相隔甚远，“人工智能”（Artificial Intelligence，AI）出现于20世纪50年代，“机器学习”（Machine Learning，ML）出现于20世纪80年代，而“深度学习”（Deep Learning，DL）则是近些年才出现的。三者是包含与被包含关系，如图1-1所示。

业内对于以上关系还有不同的见解  ，比如认为深度学习有部分内容在机器学习范畴之外，此处不深究。“人工智能”一词出现在1956年的达特茅斯会议上，当时人工智能先驱的梦想是建造具有人类智能体的软硬件系统，该系统具有人类的智能特征，而这里所说的人工智能为“通用人工智能”。这样的人工智能梦想曾在影视作品中大放异彩，如电影《星球大战》中的C-3PO机器人具有人类的理性和思考能力。不过，迄今为止，这种高层次的推理和思想仍然难以实现，退而求其次，目前能够落地的都属于“狭义的人工智能”，如人脸识别等。

我们将机器学习描述为实现人工智能的一种方式方法。机器学习是基于已有数据、知识或经验自动识别有意义的模式。最基本的机器学习使用算法解析和学习数据，然后在相似的环境里做出决定或预测。简言之，即基于数据学习并做决策。这样的描述将机器学习与传统软件或普通程序区分开来。机器学习过程中，并没有人为指示机器学习系统如何对未知环境做出决策或预测，这一过程由机器学习中的算法从数据中习得，做出决策的主体是机器学习算法，并且决策或预测是非确定性的结果，一般以概率的形式输出，比如80%的可能性是晴天。与之不同的是，常规的应用程序需要软件工程师一句句地编写代码（特定的指令集），指示程序或软件做出确定的行为，比如输出0和1分别表示注册成功和失败。做出决策的主体实际是人，程序只是执行动作的工具。正因如此，机器学习可归为间接编程，与之对应的是常规编程。

深度学习使用多层（一般多于5层）人工神经网络学习数据内部的复杂关系。人工神经网络是生物科学、认知科学等与人工智能结合的产物，在早期的机器学习中就已开始应用，其初衷是在计算机中模拟人类大脑神经元的工作模式。人类大脑的神经元在百亿级别，通过突触实现彼此交流，从计算的角度看属于计算密集型，这限制了复杂人工神经网络在实践中的应用。计算机计算能力的大幅提升带来了新的可能，2000年，多伦多大学的Geoffrey Hinton领导的研究小组在不懈研究下，终于在现代超级计算机中验证了深度学习的多层网络结构。Geoffrey Hinton因在深度学习领域做出巨大贡献而被称为深度学习的鼻祖，并与Yoshua Bengio、Yann LeCun并称机器学习三巨头。（三人因在深度学习领域的贡献而荣获2018年图灵奖。深度学习可被看作一种实现机器学习的技术，是机器学习的子集。与深度学习相对，过去那些只有单层或少层的神经网络被称为浅层学习。

对于机器学习的描述，也有专家调侃地发声，以表明某种现象  ：当你募集资金时，这属于人工智能；当你招聘时，这属于机器学习；当你执行时，这属于线性回归；当你调试时，这属于printf（）。