簡單來說：
1）深度學習（Deep Learning）只是機器學習（Machine Learning）的一種類別，一個子領域。機器學習 > 深度學習
2）大數據（Big Data）不是具體的方法，甚至不算具體的研究學科，而只是對某一類問題，或需處理的數據的描述。
具體來說：
1）機器學習（Machine Learning）是一個大的方向，裏面包括了很多種approach，比如deep learning, GMM, SVM, HMM, dictionary learning, knn, Adaboosting...不同的方法會使用不同的模型，不同的假設，不同的解法。這些模型可以是線性，也可以是非線性的。他們可能是基於統計的，也可能是基於稀疏的....
推薦一個大數據學習羣 119599574每天晚上20:10都有一節【免費的】大數據直播課程，專注大數據分析方法,大數據編程，大數據倉庫，大數據案例，人工智能,數據挖掘都是純乾貨分享，
不過他們的共同點是：都是data-driven的模型，都是學習一種更加abstract的方式來表達特定的數據，假設和模型都對特定數據廣泛適用。好處是，這種學習出來的表達方式可以幫助我們更好的理解和分析數據，挖掘數據隱藏的結構和關係。
Machine Learning的任務也可以不同，可以是預測（prediction），分類（classification），聚類（clustering），識別（recognition），重建（reconstruction），約束（regularization），甚至降噪（denoising），超分辨（super-resolution），除馬賽克（Demosaicing）等等....
2）深度學習（Deep Learning）是機器學習的一個子類，一般特指學習高層數的網絡結構。這個結構中通常會結合線性和非線性的關係。
Deep Learning也會分各種不同的模型，比如CNN, RNN, DBN...他們的解法也會不同。
Deep Learning目前非常流行，因爲他們在圖像，視覺，語音等各種應用中表現出了很好的empirical performance。並且利用gpu的並行運算，在模型相當複雜，數據特別大量的情況下，依然可以達到很理想的學習速度。
因爲Deep Learning往往會構建多層數，多節點，多複雜度的模型，人們依然缺乏多裏面學習的結構模型的理解。很多時候，Deep Learning甚至會被認爲擁有類似於人類神經網絡的結構，並且這種類似性被當做deep learning居然更大potential的依據。但答主個人認爲，其實這略有些牽強...聽起來更像是先有了這種network的結構，再找一個類似性。當然，這僅僅是個人觀點...（私貨私貨）
3）大數據（Big Data，我們也叫他逼格數據....）是對數據和問題的描述。通常被廣泛接受的定義是3個V上的“大”：Volume（數據量）, Velocity（數據速度）還有variety（數據類別）。大數據問題（Big-data problem）可以指那種在這三個V上因爲大而帶來的挑戰。
Volume很好理解。一般也可以認爲是Large-scale data（其實學術上用這個更準確，只是我們出去吹逼的時候就都叫big data了...）。“大”可以是數據的維度，也可以是數據的size。一般claim自己是big-data的算法會比較scalable，複雜度上對這兩個不敏感。算法和系統上，人們喜歡選擇並行（Parallel），分佈（distributed）等屬性的方法來增加capability。
Velocity就是數據到達的速度。對於數據高速到達的情況，需要對應的算法或者系統要有效的處理。而且數據在時間上可能存在變化，對應的算法或者系統居然做出調整和即時判斷，以適應新的數據。這就要求我們提出高效（Efficiency），即時（real-time），動態（dynamic），還有有預測性（predictive）等等....
Variaty指的是數據的類別。以往的算法或者系統往往針對某一種已知特定類別的數據來適應。而一般大數據也會指針對處理那些unstructured data或者multi-modal data，這就對傳統的處理方法帶來了挑戰。