严格意义上说，赢咖4和机器学习没有直接关系，只不过目前机器学习的方法被大量的应用于解决赢咖4的问题而已。早期的机器学习实际上是属于统计学，而非计算机科学的；而二十世纪九十年代之前的经典赢咖4跟机器学习也没有半毛钱关系。
所以今天的AI和ML有很大的重叠，带并没有严格的从属关系。不过如果仅就计算机系内部来说，ML是属于AI的。AI今天已经变成了一个很泛泛的学科了。
此外如今很多不是学AI的人也愿意把它们的产品说成是“智能”XX，但真正学AI的人却从不用这俩字儿。
如何区分赢咖4，机器学习和深度学习
一、赢咖4
赢咖4是计算机科学的一个分支，这是一门研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
赢咖4有三个层次，分别是：
（1）计算智能：高效快速地求解出结果，包括遗传算法、群体智能（蚁群、粒子群）、模拟退火等；
（2）感知智能：让计算机看得见，听得到，包括图像识别、语音识别等；
（3）认知智能：最高一个层次的赢咖4，包括自然语言处理和赢咖4等。
二、机器学习是实现赢咖4的一种重要方法。
1、机器学习按照方法来分，可以分成四类，分别是：监督学习、无监督学习、半监督学习和强化学习。
2、监督学习针对有标签数据集，它通过学习出一个模型（其实就是一个函数）来拟合数据，按照模型（函数）的输出结果是否离散又可以分为两类，分别是：（1）输出结果为离散值，则为分类问题（常见的分类算法：KNN、贝叶斯分类器、决策树、SVM、神经网络、GBDT、随机森林等）；（2）输出结果为连续值，则为回归问题（有线性回归和逻辑回归两种）。
3、无监督学习针对没有标签的数据集，它将样本按照距离划分成类簇，使得类内相似性最大，类间相似性最小。通过观察聚类结果，我们可以得到数据集的分布情况，为进一步分析提供支撑。常见的聚类算法有K-means、高斯混合模型和LDA。
三、深度学习是机器学习的一个分支，说白了就是深层神经网络（DNN），计算机视觉中常用的深度学习模型是卷积神经网络（CNN），自然语言处理中常用的神经网络是RNN和LSTM。
