机器学习是人工智能的一个分支，其发展有着清晰的脉络，从以“推理”为重点，到以“知识”为重点，再到以“学习”为重点。机器学习在近 30 多年已发展为多领域科际集成，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。
在 Deep Learning 理论和数据集的加持下，2012 年以来深度神经网络算法开始大爆发，出现了卷积神经网络（CNN）、递归神经网络（RNN - Recurrent Neural Network）和长短期记忆网络（LSTM - Long Short-Term Memory）等。例如，CNN 的结构基于两类细胞的级联模型，在计算上更有效、快速，在自然语言处理和图像识别等应用中表现出色。递归神经网络是较高层的神经元直接连接到较低层的神经元。
日本的计算机研究员福岛邦彦根据人脑中视觉的运作方式，创建了一个人工神经网络模型。该架构基于人脑中两种类型的神经元细胞，称为简单细胞和复杂细胞，它们存在于初级视觉皮层中，负责处理视觉信息。简单细胞检测局部特征，如边缘；复杂细胞汇总简单细胞在一个区域内产生的结果，逐级识别得到完整结果。
机器学习是人工智能的一个分支。人工智能的研究历史有着一条从以“推理”为重点，到以“知识”为重点，再到以“学习”为重点的自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径之一，即以机器学习为手段，解决人工智能中的部分问题。机器学习在近30多年已发展为一门多领域科际集成，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。
CNN的结构是基于这两类细胞的级联模型，主要用于模式识别任务。它在计算上比大多数其他架构更有效、更快速，在许多应用中，包括自然语言处理和图像识别，已经被用来击败大多数其他算法。我们每次对大脑的工作机制的认知多一点，神经网络的算法和模型也会前进一步！
在Deep Learning理论和数据集的加持下，2012年以来深度神经网络算法开始大爆发，卷积神经网络（CNN）、递归神经网络（RNN - Recurrent Neural Network）和长短期记忆网络（LSTM - Long Short-Term Memory）等等，每一种都有不同的特性。例如，递归神经网络是较高层的神经元直接连接到较低层的神经元。来自日本的计算机研究员福岛邦彦（Kunihiko Fukushima）根据人脑中视觉的运作方式，创建了一个人工神经网络模型。该架构是基于人脑中两种类型的神经元细胞，称为简单细胞和复杂细胞。它们存在于初级视觉皮层中，是大脑中处理视觉信息的部分。简单细胞负责检测局部特征，如边缘；复杂细胞汇集了简单细胞在一个区域内产生的结果。例如，一个简单细胞可能检测到一个椅子的边缘，复杂细胞汇总信息产生结果，通知下一个更高层次的简单细胞，这样逐级识别得到完整结果。配图05：深度神经网络如何识别物体（TensorFlow）