工业领域经常出现的专业词汇，新入门的朋友可能会有些困惑，一下子理解不了，今天我们简单说明一下。
传统算法
传统算法（traditionalalgorithm）是自定义规则函数来计算（显式编程），定义每个可能的方案以及该方案发生时的操作。
简单举例：通过输入西红柿和土豆的特征，比如西红柿是红色的，土豆是黄色的，所以计算机可以通过颜色特征来识别分类西红柿和土豆。（当然实际上可能是多个特征以及不同的权重参数来提取特征）
特点：程序是人工规定，没有机器自我优化的空间。
常见应用场景：位置信息的提取、测量
工业环境复杂，我们不可能定义出所有的可能性。所以传统算法单独应用时只能应用于简单场景。
机器学习
国际机器学习大会的创始人之一TomMitchell对机器学习（MachineLearning）的定义是：计算机程序从经验E中学习，解决某一任务T，进行某一性能度量P，通过P测定在T上的表现因经验E而提高。
西红柿和土豆，通过大量的图片分析，让计算机在一大堆可能的规律中总结最显著最合适的特征，从而完成对西红柿和土豆的预测识别。
任务T-编写计算机程序识别西红柿和土豆
经验E-西红柿和土豆的图片
度量P-识别率（不同的算法会有不同）
机器学习的流程：
总的来说，机器学习是让计算机通过数据和经验自动学习，发现一个适配应用场景的最优“函数”或者称为“模型”，并通过它来模拟现实世界事物间的关系，从而实现预测、判断、分组和解决问题的技术，并且随着数据样本的增加，“函数”或者“模型”会进一步自我完善，具有很强的数据依赖性。
常见应用场景：物品分类、房价预测。
机器学习也并不是足够智能的，因为这个过程需要人类提供特征。深度学习受人脑的数十亿神经元启发，创建的一种人工神经网络，是数据结构和算法组成。当这个神经网络有多层时，称为深度神经网络，也就是“深度学习（DeepLearning）”。
深度学习
深度学习（DeepLearning）是机器学习中的一个分支方法，与机器学习的区别在于我只需要提供图片，无需人为定义特征，机器从无数可能的规律中总结最显著最合适的特征（什么样的特征是比较合适的，特征该怎么组合是比较合适的），来完成预测。下面仍然是举例西红柿和土豆的例子，大家可以思考一下和机器学习的不同点在哪里。
即使你不是算法领域，阿尔法围棋（AlphaGo）战胜人类顶尖围棋选手可能你也听过。主要工作原理就是「深度学习」，谷歌旗下DeepMind公司在年开发。（通过与环境交互来学习）
首先学习获得初始的围棋程序，通过强化学习最优化模型。
深度学习当然也有自己的局限性：数学不优美，模型复杂，不可解释，训练数据量要求高、计算量大（效果好速度慢），但是相对的优点也很显著，非常擅长处理非结构化的数据，在视觉处理和自然语言处理方面效果优秀。
常见应用场景：无人驾驶、人脸识别