AI深度學習：一種讓計算機從經驗中學習并根據階層化的概念體系來了解世界的解決方法，而每個概念則通過與某些相對簡單的概念之間的關系來定義。讓計算機從經驗擷取知識，可以避免由人類來給計算機形式化地制定它需要的所有知識。階層化的概念讓計算機建構較簡單的概念來學習複雜概念。如果繪制出表示這些概念如何建立在彼此之上的圖，我們将得到一張“深”（層次很多）的圖。
人工智能的知識庫方法：計算機可以使用邏輯推理規則來自動地了解這些形式化語言中的聲明。
機器學習：AI系統需要具備自己擷取知識的能力，即從原始資料中提取模式的能力，這種能力成為機器學習。引入機器學習使計算機能夠解決涉及現實世界知識的問題，并能做出看似主觀的決策。邏輯回歸的簡單機器學習算法可以決定是否建議剖腹産，而同樣是簡單機器學習算法的樸素貝葉斯則可以區分垃圾電子郵件和合法電子郵件。這些簡單的機器學習算法的性能在很大程度上依賴于給定資料的表示。
表示學習：使用機器學習來發掘表示本身，而不僅僅把表示映射到輸出。這種方法我們稱之為表示學習 。表示學習算法的典型例子是自編碼器 。自編碼器由一個編碼器函數和一個解碼器函數組合而成。編碼器函數将輸入資料轉換為一種不同的表示，而解碼器函數則将這個新的表示轉換回原來的形式。我們期望當輸入資料經過編碼器和解碼器之後盡可能多地保留資訊，同時希望新的表示有各種好的特性，這也是自編碼器的訓練目标。為了實作不同的特性，我們可以設計不同形式的自編碼器。當設計特征或設計用于學習特征的算法時，我們的目标通常是分離出能解釋觀察資料的變差因素。
圖1 不同的AI學科之間的關系（MLP為多層感覺機）
圖2 AI系統的不同部分如何在不同的AI學科中彼此相關
圖3 深度學習章節脈絡