人工智能： 人工智能基本上是通过一组规则(算法)将人类智能融入机器的机制。人工智能是两个词的组合：“人工”是指由人类或非自然事物制造的东西，“智能”是指相应地理解或思考的能力。另一个定义可能是“人工智能基本上是训练你的机器(计算机)模仿人脑及其思维能力的研究”。AI 专注于 3 个主要方面(技能)：学习、推理和自我纠正，以获得最大的效率。
机器学习： 机器学习基本上是一种学习/过程，它提供系统(计算机)通过其拥有的经验自动学习并相应地改进而无需明确编程。ML 是 AI 的一个应用程序或子集。ML 专注于程序的开发，以便它可以访问数据以供自己使用。整个过程对数据进行观察，以确定可能形成的模式，并根据提供给他们的示例做出更好的未来决策。ML 的主要目的是让系统在没有任何人工干预或帮助的情况下通过经验自行学习。
深度学习： 深度学习基本上是更广泛的机器学习家族的一个子部分，它利用神经网络(类似于我们大脑中工作的神经元)来模仿人类大脑的行为。深度学习算法专注于信息处理模式机制，可以像人脑一样识别模式并相应地对信息进行分类。与 ML 相比，DL 可以处理更大的数据集，并且预测机制是由机器自行管理的。
下表列出了人工智能、机器学习和深度学习之间的区别：
| 人工智能 | 机器学习 | 深度学习 |
|---|---|---|
| AI代表人工智能，基本上是使机器能够通过特定算法模仿人类行为的研究/过程。 | ML 代表机器学习，是使用统计方法使机器能够随着经验而改进的研究。 | DL代表深度学习，是利用神经网络(类似于人脑中的神经元)模仿人脑功能的研究。 |
| AI 是一个更广泛的家族，由 ML 和 DL 作为组件组成。 | ML 是 AI 的子集。 | DL 是 ML 的子集。 |
| 人工智能是一种计算机算法，它通过决策来展示智能。 | ML 是一种人工智能算法，它允许系统从数据中学习。 | DL 是一种 ML 算法，它使用深度(多于一层)神经网络来分析数据并提供相应的输出。 |
| 搜索树和许多复杂的数学都涉及人工智能。 | 如果对背后涉及的逻辑(数学)有一个清晰的认识，并且可以可视化 K-Mean、支持向量机等复杂的功能，那么它定义了 ML 方面。 | 如果清楚其中涉及的数学但不了解特征，那么您通过添加更多层将复杂的功能分解为线性/较低维度的特征，那么它定义了 DL 方面。 |
| 目的是基本上增加成功的机会，而不是准确性。 | 目的是提高准确性，而不是太在意成功率。 | 当使用大量数据进行训练时，它在准确性方面达到最高等级。 |
| 三大类别/类型的 AI 是：人工狭义智能 (ANI)、人工通用智能 (AGI) 和人工超级智能 (ASI) | 三大类别/类型的 ML 是：监督学习、无监督学习和强化学习 | DL 可以考虑作为具有大量参数层的神经网络，位于四种基本网络架构之一中：无监督预训练网络、卷积神经网络、递归神经网络和递归神经网络 |
| AI的效率基本上就是ML和DL分别提供的效率。 | 比 DL 效率低，因为它不能处理更长的维度或更多的数据。 | 比 ML 更强大，因为它可以轻松处理更大的数据集。 |
| 人工智能应用的例子包括：谷歌的人工智能预测、Uber 和 Lyft 等拼车应用、商业航班使用人工智能自动驾驶仪等。 | 机器学习应用的例子包括：虚拟个人助理：Siri、Alexa、谷歌等、垃圾邮件和恶意软件过滤。 | DL 应用的示例包括：基于情感的新闻聚合、图像分析和字幕生成等。 |
