机器学习：
ML 是一种基于更多数据的 AI 形式，它可以改变动作和响应，这将使其更加高效、适应性和可扩展性。例如，导航应用程序和推荐引擎。
机器学习分类为：-
- 监督
- 无监督
- 强化学习
数据科学：
数据科学有许多从这些领域以及其他领域调用的工具、技术和算法——用于处理****大数据。
数据科学的目标有点类似于机器学习，是做出准确的预测并实时自动化和执行交易，例如购买互联网流量或自动生成内容。
数据科学较少依赖数学和编码，而更多地依赖于数据和构建新系统来处理数据。
依托数据集成、分布式架构、自动化机器学习、数据可视化、数据工程和自动化数据驱动决策等领域，数据科学可以涵盖整个数据处理领域，而不仅仅是与数据相关的算法或统计数据。
深度学习：
它是一种实现 ML 的技术。
ML 从给定输入提供所需的输出，但 DL 读取输入并将其应用于其他数据。 在机器学习中，我们可以很容易地根据花的特征对其进行分类。假设您想要一台机器查看图像并确定它在人眼中代表什么，无论是脸、花、风景、卡车、建筑物等。
机器学习不足以完成这项任务，因为机器学习只能从数据集中产生输出——无论是根据已知算法还是基于数据的固有结构。您也许可以使用机器学习来确定图像是否是“X”——比如一朵花——它会学习并变得更准确。但是该输出是二进制的（是/否），并且取决于算法，而不是数据。在图像识别案例中，结果不是二进制的，也不依赖于算法。
神经网络通过多层计算执行 MICRO 计算。神经网络还支持“置信度”的加权数据。这些结果形成了一个概率系统，而不是确定性系统，并且可以处理我们认为需要更多“类似人类”判断的任务。
人工智能：
人工智能是纯粹的数学和科学，但当它成为计算时，它开始解决人类问题，形式化为计算机科学的一个子集。
人工智能已经将最初的计算统计范式转变为机器可以模仿人类实际能力的现代理念，例如决策和执行更多“人类”任务。
-
现代人工智能分为两类：
通用人工智能- 规划、决策、识别物体、识别声音、社交和商业交易。
应用人工智能——无人驾驶/自动驾驶汽车或机器智能交易股票。
