剛接觸機器學習這一塊，對一些基本用語概念比較模糊，比如機器學習、深度學習、人工神經網路這些等等，總是會習慣性混為一談。所以，做一下區分。

機器學習(Machine Learning, ML)是一門多領域交叉學科，它是人工智慧的核心，是使計算機具有智慧的根本途徑，其應用遍及人工智慧的各個領域，它主要使用歸納、綜合而不是演繹。具體來說，機器學習演算法，企圖從大量歷史資料中挖掘出其中隱含的規律，並用於預測或者分類，更具體的說，機器學習可以看作是尋找一個函式，輸入是樣本資料，輸出是期望的結果，只是這個函式過於複雜，以至於不太方便形式化表達。需要注意的是，機器學習的目標是使學到的函式很好地適用於“新樣本”，而不僅僅是在訓練樣本上表現很好。學到的函式適用於新樣本的能力，稱為泛化（Generalization）能力。

它的發展基本上有3個階段：

80年代，連線主義較為流行，代表性方法有感知機（Perceptron）和神經網路（Neural Network）。

90年代，統計學習方法開始佔據主流舞臺，代表性方法有支援向量機（Support Vector Machine）。

進入21世紀，深度神經網路被提出，連線主義捲土從來，隨著資料量和計算能力的不斷提升，以深度學習（Deep Learning）為基礎的諸多AI應用逐漸成熟。

所以，人工智慧是追求目標，機器學習是實現手段，神經網路、深度學習都只是其中一種方法。