深度学习是机器学习的一个分支,机器学习又是人工智能的一个分支。
即人工智能>机器学习>深度学习

简化的关系图:

详细关系图:

机器学习,就是利用计算机、概率论、统计学等知识,通过给计算机程序输入数据,让计算机学会新知识,是实现人工智能的途径,但这种学习不会让机器产生意识。机器学习的过程,就是通过训练数据寻找目标函数。数据质量会影响机器学习精度,所以数据预处理非常重要。

深度学习是机器学习的一种,现在深度学习比较火爆。在传统机器学习中,手工设计特征对学习效果很重要,但是特征工程非常繁琐。而深度学习能够从大数据中自动学习特征,这也是深度学习在大数据时代受欢迎的一大原因。

传统数据挖掘主要针对相对少量、高质量的样本数据,机器学习更多的是针对海量、混杂的大数据。但机器学习并不一定要全局数据,只是在大数据时代,堆数据、堆机器的方法在工业界成本低而见效快,被广泛采用。学术界当前有很多研究在结合小数据学习与大数据学习,比如香港科技大学杨强教授的迁移学习。

[Machine Learning] 机器学习常见算法分类:
1. 学习方式
1.1 监督式学习
1.2 非监督式学习
1.3 半监督式学习
1.4 强化学习
2. 算法分类
2.1 回归算法
2.2 基于实例的算法
2.3 正则化方法
2.4 决策树学习
2.5 贝叶斯方法
2.6 基于核的算法
2.7 聚类算法
2.8 关联规则学习
2.9 遗传算法(genetic algorithm)
2.10 人工神经网络
2.11 深度学习
2.12 降低维度算法
2.13 集成算法

详见参考:
http://www.cnblogs.com/maybe2030/p/4665816.html

机器学习和深度学习的框架:
深度学习框架:Caffe,CNTK,DeepLearning4j,Keras,MXNet和TensorFlow。
机器学习框架:Scikit-learning和Spark MLlib。
Theano跨越了这两个类别。

详见参考:
http://www.oschina.net/news/81599/frameworks-for-machine-learning-and-deep-learning