在过去两年人工智能很火，以至于机器学习也跟着火起来了，其实机器学习是上世纪的事情了，以前由于存储及计算力的限制，机器学习并不是那么火爆，AI只是以规则上的学习为主。随着近年大数据的发展，数据成几何级增长，计算力和存储能力的提升，基于算法的计算，更是显现出他特有的优势，尤其在深度学习方面。
人工智能、机器学习、深度学习
人工智能：任何计算机代替人进行工作的行为，都可以称为人工智能，这个广义上的人工智能。会计经常用的计算器，我们用的电脑，都可以称为人工智能，只是还没有智能到可以完全代替人类的地步，我们通常用规则进行编程，也是在做人工智能的一部分。
机器学习：让机器根据现有的数据，学习一套适应特定场景的模型，帮助人类进行预测的行为，就是机器学习。他和普通的规则编程的区别就是 我们事先不知道规则，由机器去根据历史数据的特征和标签，学习到一定的规律，形成特定的算法模型，以此来预测新的数据。 例如：垃圾邮件分类、预测房价等等。
深度学习：图像识别
机器学习
机器学习分为有监督学习和无监督学习
有监督学习：基于有标签的样本数据进行学习。
无监督学习：基于无标签的样本数据进行学习。
有监督学习分为分类和回归。 分类 学习出来的模型是用来预测一系列离散值；回归是用来预测连续值。
分类算法：knn、svm、逻辑回归、决策树
线性算法：线性回归
无监督学习算法：聚类，简单来说就是根据无标签的数据进行聚类。
机器学习的流程：
准备数据--选择模型--训练模型调整参数--测试数据
其中，耗时耗力的步骤就是准备数据，加工特征。在实际生产工作中，数据准备占用了80%左右的时间，这一步主要根据业务口径加工特征。准备的数据要分为训练集、测试集、验证集；三个集合中，正反数据的比例要大致相同，不能有较大差异。