前言
在剛入門的時候，我們很容易被這些詞語弄得眼花繚亂，如人工智能、機器學習、深度學習及強化學習等等。它們之間互相聯系，卻有一定區別。我們學習人工智能AI，需要對這些詞語有一定的概念，不然，研究了這么久的算法和知識，卻連我們在干什么都不知道，就十分不好，也會影響我們學習的進度。
人工智能
人工智能（Artificial Intelligence），縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工智能是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智能研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。
機器學習
Maching Learning，是實現人工智能的一種手段，廣泛應用於自然語言處理、（NLP）、計算機視覺（CV）及推薦系統等等方面。能應用機器學習的場景很多，如人臉識別、圖像處理和車牌識別等等，這些在我們生活中以及很常見了。
機器學習主要分為監督學習，無監督學習和半監督學習三種。從算法上來說有貝葉斯分類，決策樹，線性回歸，決策樹和森林模型，主成分分析，流行學習，k-means聚類，高斯混合模型等等。
從大體上來講，機器學習包括深度學習和強化學習，也就是說，深度學習和強化學習均是機器學習的一種技術。總之，先進行機器學習，打好基礎，再進行其他方向的發展，是一個較好的策略。
深度學習
Deep Learning，由於深度學習在現代機器學習中的比重和價值非常巨大，因此常常將深度學習單獨拿出來說。神經網絡，是深度學習方向的主要工具。我們知道，在機器學習中也有神經網絡，而深度學習中，神經網絡更復雜，涉及的層數更多。我們了解的DNN（深度神經網絡），CNN（卷積神經網絡），RNN（循環神經網絡），LSTM（長短期記憶網絡）都是隸屬於深度學習的范疇。
強化學習
Reinforcement Learning，又稱再勵學習或者評價學習。也是機器學習的技術之一。所謂強化學習就是智能系統從環境到行為映射的學習，以使獎勵信號（強化信號）函數值最大，由於外部給出的信息很少，強化學習系統必須依靠自身的經歷進行自我學習。通過這種學習獲取知識，改進行動方案以適應環境。強化學習最關鍵的三個因素是狀態，行為和環境獎勵。
深度強化學習
深度強化學習是深度學習與強化學習的結合,具體來說是結合了深度學習的結構和強化學習的思想，但其側重點在深度學習上，解決的依然是決策類問題，不過需要借助深度神經網絡來解決擬合。
深度強化學習是一種與環境交互的訓練神經網絡方法，無現成數據，數據在與環境交互中產生。深度強化學習采用深度神經網絡作為函數擬合器。
一張圖來概括它們之間的關系
轉自：https://zhuanlan.zhihu.com/p/123211148