先跟我一起看看人工智能>机器学习>深度学习>强化学习 之间的关系。

机器学习是来实现人工智能的一种途径，深度学习也是机器学习的一个子集，也就是说深度学习是实现机器学习的一种方法。

理论上深度学习属于机器学习的一部分，但是机器学习和深度学习的主要定位目标还是可以区分的。深度学习主要是对图像和语音这些方面进行处理。

与机器学习算法的主要区别如下图所示：

传统机器学习算术依赖人工设计特征，并进行特征提取，而深度学习方法不需要人工，而是依赖算法自动提取特征。深度学习模仿人类大脑的运行方式，从经验中学习获取知识。这也是深度学习被看做黑盒子，可解释性差的原因。

机器学习（ML：machine leaning）：一切通过优化方法（线性回归、逻辑回归、决策树、向量机、贝叶斯模型等）挖掘数据中规律的学科。

深度学习与强化学习都属于机器学习的范畴；深度学习是有标签、静态的，多用于感知。强化学习是无标签、动态的，多用于决策。

深度学习最广泛的应用是图像处理和自然语言处理NLP了

强化学习实际应用目前还较窄，主要包括AI游戏（如Atari），推荐系统（如阿里家的），机器人控制相关（如Ng的无人机飞行）

深度学习（DL：Deep learning）：一切运用了神经网络（深度神经网络DNN、卷积神经网络CNN、递归神经网络RNN、长期短期记忆LSTM、生成敌对网络GAN、转移学习、注意模型）作为参数结构进行优化的机器学习算法。

强化学习：不仅能利用现有数据，还可以通过对环境的探索获得新数据，并利用新数据循环往复地更新迭代现有模型的机器学习算法。学习是为了更好地对环境进行探索，而探索是为了获取数据进行更好的学习。

深度强化学习：一切运用了神经网络作为参数结构进行优化的强化学习算法。

应用场景：

1) 人工智能的研究领域在不断的扩大，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。并且目前的科研工作都集中在弱人工智能这部分。

2) 机器学习直接来源于早期的人工智能领域，传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。从学习方法上来分，机器学习可以分为监督学习(如分类问题)、无监督学习(如聚类问题)、半监督学习、集成学习、深度学习和强化学习。传统的机器学习算法在指纹识别、人脸检测、特征物体检测等领域的应用基本达到了商业化的要求或特定场景的商业化水平。

3) 深度学习本来并不是一种独立的学习方法，其本身也会用到监督学习和无监督学习方法来训练深度神经网络，但由于近年来改领域发展迅猛，一些特有的学习手段相继被提出(如残差网络)，因此越来越多的人将其单独看作一种学习方法。主要应用在互联网、安防、金融、智能硬件、医疗、教育等行业，在人脸技术、图象识别、智能监控、文字识别、语义分析等领域。