人工智能，機器學習和深度學習都是屬於一個領域的一個子集。但是人工智能是機器學習的首要範疇。機器學習是深度學習的首要範疇。
深度學習是機器學習的一個子集，機器學習是人工智能的一個子集
這個領域的興起應該歸功於深度學習。人工智能和機器學習這個領域近年來一直在解決一系列有趣的問題，比如從自動化的雜貨店購買到自動駕駛汽車。
人工智能：
人工智能的定義可以分爲兩部分，即“人工”和“智能”。“人工”比較好理解，爭議性也不大。有時我們會要考慮什麼是人力所能及製造的，或者人自身的智能程度有沒有高到可以創造人工智能的地步，等等。但總的來說，“人工系統”就是通常意義下的人工系統。
尼爾遜教授對人工智能下了這樣一個定義：“人工智能是關於知識的學科――怎樣表示知識以及怎樣獲得知識並使用知識的科學。”而另一個美國麻省理工學院的溫斯頓教授認爲：“人工智能就是研究如何使計算機去做過去只有人才能做的智能工作。”這些說法反映了人工智能學科的基本思想和基本內容。即人工智能是研究人類智能活動的規律，構造具有一定智能的人工系統，研究如何讓計算機去完成以往需要人的智力才能勝任的工作，也就是研究如何應用計算機的軟硬件來模擬人類某些智能行爲的基本理論、方法和技術。
人工智能是研究使計算機來模擬人的某些思維過程和智能行爲（如學習、推理、思考、規劃等）的學科，主要包括計算機實現智能的原理、製造類似於人腦智能的計算機，使計算機能實現更高層次的應用。人工智能將涉及到計算機科學、心理學、哲學和語言學等學科。可以說幾乎是自然科學和社會科學的所有學科，其範圍已遠遠超出了計算機科學的範疇，人工智能與思維科學的關係是實踐和理論的關係，人工智能是處於思維科學的技術應用層次，是它的一個應用分支。從思維觀點看，人工智能不僅限於邏輯思維，要考慮形象思維、靈感思維才能促進人工智能的突破性的發展，數學常被認爲是多種學科的基礎科學，數學也進入語言、思維領域，人工智能學科也必須借用數學工具，數學不僅在標準邏輯、模糊數學等範圍發揮作用，數學進入人工智能學科，它們將互相促進而更快地發展。
AI目標：
爲了進一步解釋人工智能的目標，研究人員將其擴展到這六個主要目標。
1）邏輯推理。使計算機能夠完成人類能夠完成的複雜心理任務。例如下棋和解代數問題。
2）知識表達。使計算機能夠描述對象，人員和語言。例如能使用面向對象的編程語言 Smalltalk。
3）規劃和導航。使計算機從A點到B點。例如，第一臺自動駕駛機器人建於20世紀60年代初。
4）自然語言處理。使計算機能夠理解和處理語言。例如把英語翻譯成俄語，或者把俄語翻譯成英語。
5）感知。讓電腦通過視覺，聽覺，觸覺和嗅覺與世界交流。
6）緊急智能。也就是說，智能沒有被明確地編程，而是從其他AI特徵中明確體現。這個設想的目的是讓機器展示情商，道德推理等等。
AI領域
即使有了這些主要目標，這也沒有對具體的人工智能算法和技術進行分類。這些是人工智能中的六大主要算法和技術：
1）機器學習是人工智能領域，使計算機不用明確編程就能學習。
2）搜索和優化算法，如梯度下降迭代搜索局部最大值或最小值。
3）約束滿足是找到一組約束的解決方案的過程，這些約束施加變量必須滿足的條件。
4）邏輯推理。人工智能中邏輯推理的例子是模擬人類專家決策能力的專家計算機系統。
5）概率推理是將概率論的能力去處理不確定性和演繹邏輯的能力來利用形式論證的結構結合起來。其結果是一個更豐富和更具表現力的形式主義與更廣泛應用領域。
6）控制理論是一種正式的方法來找到具有可證性的控制器。這通常涉及描述像機器人或飛機這樣的物理系統的微分方程組。
機器學習
機器學習是人工智能的一個子集。那麼什麼是機器學習呢？
機器學習(Machine Learning, ML)是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法複雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行爲，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。
它是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域，它主要使用歸納、綜合而不是演繹。
機器學習如此重要的原因是什麼？一個重大突破導致機器學習成爲人工智能背後的動力 - 互聯網的發明。互聯網有大量的數字信息被生成存儲和分析。機器學習算法在這些大數據方面是最有效的。
神經網絡
如果我們談論機器學習時，值得一提的是機器學習算法：神經網絡。
神經網絡是機器學習算法的關鍵部分。神經網絡是教計算機以人類的方式思考和理解世界的關鍵。實質上，神經網絡是模擬人類的大腦。這被抽象爲由加權邊緣（突觸）連接的節點（神經元）的圖形。有關神經網絡的更多信息請查看神經網絡概述。
這個神經網絡有一層，三個輸入和一個輸出。任何神經網絡都可以有任何數量的層，輸入或輸出。
深度學習
機器學習算法一直是人工智能背後的推動力量。所有機器學習算法中最關鍵的是深度學習。
深度學習的概念源於人工神經網絡的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分佈式特徵表示。
這個神經網絡有兩層，三個輸入和一個輸出。任何神經網絡都可以有任何數量的層，輸入或輸出。輸入神經元和最後一層輸出神經元之間的層是深層神經網絡的隱藏層。
深度學習最好的表現是深度神經網絡（DNN）。深層神經網絡只是一個超過兩層或三層的神經網絡。然而，深度神經網絡並不是深度學習算法的唯一類型 -但它是最流行的類型。另一個深度學習算法是深度信任網絡（DBN）。深層信任網絡在層與層之間不直接聯繫。這意味着DNN和DBN的拓撲在定義上是不同的。DBN中的無向層被稱爲 Restricted Boltzmann Machines。
有關深度學習和機器學習的差別可查看《一文讀懂深度學習與機器學習的差異》。
結論
所以，機器學習是人工智能的前沿，深度學習是機器學習的前沿。