人工智慧，機器學習，深度學習的關係；智慧演算法
人工智慧：
是一個泛稱，包括自然學科和社會學科，以機器學習為基礎
機器學習：
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。利用演算法分析資料的過程，建立可以從中學習的模型，並最終使用這些學習引數進行預測。它包含了各種策略，包括決策樹、聚類、迴歸和貝葉斯方法
基於學習策略的分類：
機械學習 (Rote learning)，示教學習 (Learning from instruction或Learning by being told)，演繹學習 (Learning by deduction)，類比學習 (Learning by analogy)，基於解釋的學習 (Explanation-based learning, EBL)，歸納學習 (Learning from induction)
獲取知識的表示形式：
1）代數表示式引數
2）決策樹
用決策樹來劃分物體的類屬，樹中每一內部節點對應一個物體屬性，而每一邊對應於這些屬性的可選值，樹的葉節點則對應於物體的每個基本分類。
3）形式文法
在識別一個特定語言的學習中，通過對該語言的一系列表示式進行歸納，形成該語言的形式文法。
4）產生式規則
產生式規則表示為條件—動作對，已被極為廣泛地使用。學習系統中的學習行為主要是：生成、泛化、特化（Specialization）或合成產生式規則。
5）形式邏輯表示式
6）圖和網路
7）框架和模式（schema）
8）計算機程式和其它的過程編碼
9）神經網路
學習形式分類：
有監督，無監督
學習方法：
經驗歸納學習，類比學習，分析學習，遺傳演算法，聯接學習，增強學習
經典演算法：
https://blog.csdn.net/the_star_is_at/article/details/79074838
應用：
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、戰略遊戲和機器人運用
深度學習：
是機器學習的一種，是機器學習研究中的一個新的領域
主要技術：
線性代數、概率和資訊理論
欠擬合、過擬合、正則化
最大似然估計和貝葉斯統計
隨機梯度下降
監督學習和無監督學習
深度前饋網路、代價函式和反向傳播
正則化、稀疏編碼和dropout
自適應學習演算法
卷積神經網路
迴圈神經網路
遞迴神經網路
深度神經網路和深度堆疊網路
LSTM長短時記憶
主成分分析
正則自動編碼器
表徵學習
蒙特卡洛
受限波茲曼機
深度置信網路
softmax迴歸、決策樹和聚類演算法
KNN和SVM
生成對抗網路和有向生成網路
機器視覺和影象識別
自然語言處理
語音識別和機器翻譯
有限馬爾科夫
動態規劃
梯度策略演算法
增強學習（Q-learning）
轉折點
智慧演算法
人工神經網路演算法，遺傳演算法，差分進化演算法、免疫演算法，模擬退火演算法，群體（群集）智慧（Swarm Intelligence），禁忌搜尋演算法