機器學習　　

　　定義:機器學習(Machine Learning, ML)是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、演算法複雜度理論等多門學科。 專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的效能。

　  分類:根據訓練集是否標註，9可以把機器學習分為監督學習（從標註好的訓練集中訓練出一個預測函式完成對未知資料的預測），無監督學習(訓練集沒有人為標註),半監督學習(介於監督學習和無監督學習之間),增強學習(機器為了達成目標，隨著環境的變動，而逐步調整其行為，並評估每一個行動之後所到的回饋是正向的或負向的)。

　  應用:機器學習已廣泛應用於資料探勘、計算機視覺、自然語言處理、生物特徵識別、搜尋引擎、醫學診斷、檢測信用卡欺詐、證券市場分析、DNA序列測序、語音和手寫識別、戰略遊戲和機器人等領域。

深度學習

　定義:深度學習（deep learning）是機器學習的分支，是一種試圖使用包含複雜結構或由多重非線性變換構成的多個處理層對資料進行高層抽象的演算法。簡單來說，深度學習（Deep Learning）就是更復雜的神經網路（Neural Network）。

• 　　目前為止，由神經網路模型創造的價值基本上都是基於監督式學習（Supervised Learning）的。在實際應用中，機器學習解決的大部分問題都屬於監督式學習，神經網路模型也大都屬於監督式學習。我們應該知道，根據不同的問題和應用場合，應該使用不同型別的神經網路模型。對於一般的監督式學習（房價預測和線上廣告問題），我們只要使用標準的神經網路模型就可以了。而對於影象識別處理問題，我們則要使用卷積神經網路（Convolution Neural Network），即CNN。而對於處理類似語音這樣的序列訊號時，則要使用迴圈神經網路（Recurrent Neural Network），即RNN。還有其它的例如自動駕駛這樣的複雜問題則需要更加複雜的混合神經網路模型。
• 　
• 　
• 深度學習大爆炸的原因是:

1. 大資料時代, 資料的爆發式增長
2. 計算機硬體技術的發展, 計算成本下降, 速度提高
3. 新演算法的發明