深度学习是 AI 和机器学习的一个分支，其使用多层人工神经网络精准完成物体检测、语音识别、语言翻译等任务。深度学习与传统机器学习技术的区别在于，前者可以自动从图像、视频或文本等数据中学习表征，无需引入手写代码规则或人类的领域知识。其高度灵活的架构可以直接从原始数据中学习，获得更多数据后，其预测准确度也将随之提升。AI 领域近期的许多突破创新都应归功于深度学习，例如 Google DeepMind 的 AlphaGo、自动驾驶汽车、智能语音助手等。（NVIDIA）

《主流的三大深度学习框架》一文简要介绍了TensorFlow、PyTorch 和 MXNet，不过，由于 TensorFlow 和Pytorch 占据了深度学习的半壁江山，本文再再综述一下。

机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。

机器学习是人工智能的核心，深度学习是主要的机器学习算法。

在这篇文章中，数据科学家与分析师 Vincent Granville 明晰了数据科学家所具有的不同角色，以及数据科学与机器学习、深度学习、人工智能、统计学、物联网、运筹学和应用数学等相关领域的比较和重叠。

Granville 介绍说，由于数据科学是一个范围很广的学科，所以他首先介绍了在业务环境中可能会遇到的数据科学家的类型：你甚至可能会发现你自己原来也是某种数据科学家。和其它任何科学学科一样，数据科学也可能会从其它相关学科借用技术；当然，我们也已经开发出了自己的技术库，尤其是让我们可以以自动化的方式（甚至完全无需人类干预）处理非常大规模的非结构化数据集的技术和算法，进而实时执行交易或进行预测。