人工智能（AI）

AI（人工智能）是计算机科学的一个子领域，创建于20世纪60年代，它关注的是解决对人类而言容易但对计算机来说很难的任务。特别是，所谓的强人工智能将是一个可以做任何事情的系统（可能没有纯粹的物理事物）。这是相当通用的，包括各种任务，例如计划，在世界各地移动，识别对象和声音，说话，翻译，进行社交或商业交易，创造性工作（制作艺术或诗歌）等。

机器学习（ML）

AI的一个子领域，起源于1959年。从人工智能中的模式识别和计算学习理论的研究演变而来。其重点是利用数据训练计算机算法，通过将逻辑硬连接到程序中来执行通常无法完成（或非常难以完成）的任务，因为没有人确定规则是什么是。识别图像中的对象是规则不明确的一项任务。例如，您如何将人脸描述编入计算机算法？

请注意，与ML不同，AI不需要使用数据。只要你能说服用户你的系统表现出智能，任何事情都会发生。在20世纪80年代到90年代初期，人工智能工作人员经常在“基于规则”的系统中编写“智能”规则，试图使系统看起来更加智能化。但是，如上所述，规则通常很脆弱（由于例外）。可能还不清楚规则是什么。即使我们可以手动编写规则，但是必须为不同的域和应用程序设计它们是一件巨大的痛苦，因此使用ML算法解决AI任务的巨大转变。

自然语言处理（NLP）

AI的子领域，其中ML算法被大量用于理解自然语言，例如通过弄清楚句子的主语，或者将句子从一种语言翻译成另一种语言。

尽管典型的语言带有规则，即语法，但是不同的语言具有不同的语法，并且每个语言通常都有规则的例外。此外，如果一个人没有考虑到写作的背景，或者如果一个人不知道理解这个句子所需的一些先验知识，那么句子通常可能是模棱两可的。因此，硬编程语法规则到程序中通常不足以执行NLP任务，例如机器翻译。

深度学习

一类机器学习算法（非常）松散地受到生物学启发。例如，卷积神经网络（CNN），长短期记忆（LSTM）网络是深度学习算法。您可以使用数据训练它们，就像您使用任何机器学习算法一样。CNN通常用于计算机视觉任务，例如对象识别或检测，并且LSTM通常用于执行NLP任务，例如情感分析，机器翻译或词性标记。

摘要

AI是一个广泛的研究领域。ML是AI的特定子领域，其关注于使用数据来训练算法以执行具有挑战性的任务，其中“规则”不清楚或难以完全指定。NLP是人工智能的一个子领域，研究使用算法来理解自然语言。ML在NLP中大量使用。深度学习是一类机器学习算法。