一切技术的出现都是为了解决现实问题，而现实问题分为简单问题和复杂问题。简单问题，需要简单分析，我们使用
比如公司领导想知道每周的销售情况，这种就是简单问题。简单问题可以用数据分析来处理，通过分析数据来分析出有用的信息。
最简单的，你用excel分析一家淘宝店铺的销售数据，每周公司会让你出一份周报一份发现了最近几个月销量下降，然后根据分析产生销量下降的原因是什么，找到原因后制定对应的策略来提高销量。
我们来看一个真实的案例。全球最大的旅行房屋租赁社区Airbnb曾在2011年纠结于新用户增长的缓慢，有一天，他们的数据分析团队发现房源照片的精美程度，跟房源的预定人数成很大的正相关。
于是，他们提出一种假设，即“附有专业摄影照片的房源要更抢手，因此房主肯定会愿意申请Airbnb提供的此项服务”。
他们迅速上线了一个提供专业摄影照片服务的版本，然后跟原版本做A/B Test，发现同一个房源，使用专业摄影服务的比不使用的多了2-3倍的订单量。
2011年后期，Airbnb雇用了20名专业摄影师，以帮助平台上的房主拍摄房屋照片，几乎在同一时间段，Airbnb的订单量曲线有了一个陡峭的增长。
比如我们天天使用的淘宝，它会根据你的历史购物习惯（数据），来给推荐你可能感兴趣的商品。淘宝是如何做到的呢？对于这种复杂问题，淘宝背后使用的就是机器学习。
2010年前后，门户时代崛起的网易、搜狐、腾讯三巨头向移动端转型，几乎垄断了当时的新闻客户端市场。而仅仅2年后，今日头条，使用“机器学习”这把屠龙刀向用户个人性化推荐用户感兴趣的新闻，一举打破巨头垄断，成为新闻客户端老大。虽然，后来腾讯和网易为了对抗头条，推出了类似的产品的天天快报和网易号，但因起步晚和算法不成熟，都失败了。
在这份报告中，像点赞数、评论数、收藏数、总阅读量这样的分析就是简单分析。像“你可能感兴趣的人”这样的分析，就是复杂分析，需要通过机器学习算法来找到，类似于豆瓣上给你推荐感兴趣的电影、淘宝上给你推荐感兴趣的商品。
机器学习分很多方法（算法），不同的方法解决不同的问题。深度学习是机器学习中的一个分支方法。
深度学习在图像，语音等富媒体的分类和识别上取得了非常好的效果，所以各大研究机构和公司都投入了大量的人力做相关的研究和开发。我说个例子，你肯定听说过。那就是2016年谷歌旗下DeepMind公司开发的阿尔法围棋（AlphaGo）战胜人类顶尖围棋选手。阿尔法围棋的主要工作原理就是“深度学习”。
人工智能，它的范围很广，广义上的人工智能泛指通过计算机（机器）实现人的头脑思维，使机器像人一样去决策。
机器学习是实现人工智能的一种技术。所以我把人工智，机器学习，深度学习放到不同的圆圈里，他们三者是包含的关系：
现在，你已经清楚了数据分析、机器学习、深度学习这些概念的关系了。当我们从解决现实问题的角度来看，很多概念会清楚。处理不同的问题，使用不同的方法。
你可能会问了：“上图中没看出数据分析和人工智能有什么关系呀，是不是学习数据分析没什么用？那我是不是一开始就学习机器学习了，这样可以直接进人工智能时代，享受时代红利了？”
机器学习是很多学科的知识融合，而数据分析是机器学习的基础。只有学会了数据分析处理数据的方法，你才能看懂机器学习方面的知识。这就好比，你想上初中（机器学习），必须先读完小学（数据分析）才可以。
所以，我在下面图片中画了两条黄色的线，表示数据分析的两个方向，如果你喜欢深入技术，学会了数据分析，你才能打好基础，去学习机器学习。如果你喜欢商业方面的内容，可以往人工智能业务方向发展。
职业社交网站领英在《2018新兴工作岗位报告》中说，2018年，15个新兴职位里有6个与人工智能相关，这说明，与人工智能相关的技能开始渗透到各个行业，而不仅仅是技术行业。
领英把人工智能技能定义为：开发和有效使用人工智能工具和技术的技能。这是领英上增长最快的一个技能，从全球来看，2015年到2017年这个技能增长了190％。
之前很多人本来就是零基础，却买来一堆机器学习的课程和书来学习，最后看的是晕头转向，觉得自己不适合。
其实，这是走错了路。如果你是零基础，想进入人工智能这个相关的职业，要先从数据分析开始学起。
3）机器学习分很多方法（算法），不同的方法解决不同的问题。深度学习是机器学习中的一个分支方法。
4）数据分析可以帮助你从零进入人工智能时代。如果你喜欢深入技术，学会了数据分析，你才能打好基础，去学习机器学习。如果你喜欢商业方面的内容，可以往人工智能业务方向发展。
