人工智能(AI)是使计算机能够模仿人类认知行为或智能的任何代码，算法或技术.机器学习(ML)是AI的一个子集，它使用统计方法使机器能够通过经验学习和改进.深度学习是机器学习的一个子集，它使多层神经网络的计算变得可行.机器学习被视为浅层学习，而深度学习被视为具有抽象性的层次学习.
机器学习涉及广泛的概念.这些概念列在下面和下面;
监督
无人监督
强化学习
线性回归
成本函数
过度拟合
不合适
超参数等
在监督学习中，我们学习从标记数据预测值.一种有助于此的ML技术是分类，其中目标值是离散值;例如，猫和狗.机器学习中可能有帮助的另一种技术是回归.回归适用于目标值.目标值是连续值;例如，可以使用回归来分析股票市场数据.
在无监督学习中，我们根据未标记或结构化的输入数据进行推断.如果我们有一百万个医疗记录并且我们必须弄清楚它，找到基础结构，异常值或检测异常，我们使用聚类技术将数据划分为广泛的聚类.
数据集分为训练集，测试集，验证集等.
2012年的突破使深度学习的概念突出.一种算法使用2个GPU和大数据等最新技术成功地将100万个图像分类为1000个类别.
一个传统机器学习模型中遇到的主要挑战是一个称为特征提取的过程.程序员需要具体并告诉计算机要注意的功能.这些功能有助于做出决策.
在算法中输入原始数据很少有效，因此特征提取是传统机器学习工作流程的关键部分.
这给程序员带来了巨大的责任，算法的效率在很大程度上取决于程序员的创造力.对于诸如对象识别或手写识别等复杂问题，这是一个很大的问题.
深度学习，能够学习多层表示，是少数几种有帮助的方法之一我们有自动特征提取.可以假设较低层执行自动特征提取，几乎不需要程序员的指导.
