“ 机器学习是实现人工智能的一种方式，深度学习是机器学习的一种方法”
人工智能是一种用来研究并开发出一款能够像人类一样进行学习与思考的机器的技术与方法论。
而机器学习与深度学习是实现人工智能的一种具体方法。
其关系如下：
01
—
机器学习
机器学习是属于计算机科学中的一门学科，其使用计算机算法和分析来构建可以解决业务问题的模型。
这个模型需要解决的问题就是，让机器具有类似人类一样的学习能力，或许它只能学习特定领域的内容。
机器学习算法分为四大类：
-
监督学习
所谓的监督学习就是指有“答案”的学习方法，在训练数据中会提供一个正确结果；最后根据模型的训练结果，来对未知数据进行预测。
常见的监督学习算法有以下几种：
-
线性回归
-
逻辑回归
-
支持向量机
-
朴素贝叶斯
-
决策树
-
无监督学习
无监督学习是指没用“答案”的学习方法，由模型自己根据训练数据找到其特性，并且据此进行分类。
常见的无监督学习算法有以下几种：
-
k均值聚类
-
层次聚类
-
异常检测
-
半监督学习
半监督学习介于监督学习与无监督学习之间。
-
强化学习
强化学习是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。
强化学习算法如：
-
Q-learning
-
SARSA
机器学习包括深度学习训练步骤如下图：
02
—
深度学习
深度学习是机器学习中的一种形式，作为机器学习的一个子集，其主要表现为神经网络模型。
深度学习模型主要受人脑神经元的启发，通过模拟人脑神经元的运作方式来进行学习的一种方法。
其特点是根据神经网络层的叠加，能够处理更加复杂的问题，也能处理更加复杂的结构化数据与非结构化数据。
如下图所示，里面每一个圈都代表一个神经元，多个神经元组成一个神经网络层，随着神经网络层的增加，神经网络模型就可以处理更加复杂的数据。
如果把神经元之间的计算公式表示为y=wx + b； w就是权重，b就是偏置，而模型的训练就是通过训练数据不断的调整权重与偏置，以求达到最优解，也就是能够有效的解决现实问题。
如下图所示，即为神经网络计算模型图，当然真正的神经网络模型要比图中所示复杂得多。
神经网络模型训练的过程中，通过以上方式进行正向传播获得输出，然后根据损失差计算输出正确率；最后再根据反向传播使用优化器，调整各个神经元与神经层之间的参数，以此达到最优解。
总结
由此，机器学习和深度学习都不等同于人工智能，只是深度学习是目前人工智能领域的主流技术之一。
同时，由于神经网络的复杂度需要大量的数据运算，所以基于神经网络构建的模型需要更大的成本，包括技术成本，硬件成本等。
所以，在某些业务场景下，机器学习模型可能会更适合，更经济。
不同的机器学习模型和深度学习模型，适合的业务场景不一样，因此也没有什么技术上的优劣，根据不同的业务场景选择不同的机器学习或深度学习模型，才是正确的选择。
比如，逻辑回归，决策树，支持向量机等适合分类任务；而神经网络模型在自然语言处理(NLP)方面大放异彩，而卷积神经网络(CNN)神经网络模型在计算机视觉方面也表现不错。