人工智能范围很广，如工业机器人、智能搜索引擎、自动驾驶，而机器学习之是其中一个重要领域，深度学习则又是机器学习的一个分支。在很多人工智能问题上，深度学习的方法加上大数据的出现以及计算机运行速度的提高，更突出了人工智能的前景。比如，自动驾驶汽车，足以彻底改变我们的出行方式，它的实现就需要深度学习的图像识别技术，需要用到卷积神经网络CNN来识别路上的行人、红绿灯等。
机器学习，就是用计算机来学习数据背后的真实含义，把无序的数据转换成我们可以运用的信息，重点是“学习”。
神经网络：有输入层、隐藏层以及输出层，其中输入层包含神经网络的输入，输出层负责产生输入的映射。机器学习里的逻辑回归，可以看作是一个一层的神经网络，即除了输入层、输出层之外，只有一个隐藏层。
而深度学习，属于机器学习的一种，它的“深”，是指神经网络使用了很多隐藏层。
当你输入一张脸部的照片，神经网络的第一中间层，可以看成是一个特征探测器或者边缘探测器，它会去找这张照片的各个边缘（第一张大图）；第二中间层又把照片里组成边缘的像素们放在一起看，然后它可以把被探测到的边缘组合成面部的不同部分（第二张大图），有眼睛、鼻子等；最后再把这些部分放在一起，比如鼻子眼睛下巴，就可以识别或是探测不同的人脸（第三张大图）。
计算机视觉：可用于图像分类、人脸识别、目标检测，风格迁移（如将梵高或者毕加索的作品，应用到我们手机随手拍摄的照片身上）。
自然语言处理：机器翻译、语音识别、提取信息，比如就有专门针对病人的病历开发的提取关键信息的应用。
综上，传统的机器学习仍然广泛应用于很多领域，而深度学习作为机器学习的一部分，也因为数据量的剧增和计算能力的飞跃进步正被应用于越来越多的领域。
@知乎科技
