1：机器学习发展历程如下：
第一阶段是20世纪40年代的萌芽时期。在这一时期，心理学家McCulloch 和数理逻辑学家Pitts引入生物学中的神经元概念（神经网络中的最基本成分），在分析神经元基本特性的基础上，提出“M-P神经元模型”
第二阶段是20世纪50年代中叶至60年代中叶的热烈时期。尽管在萌芽阶段，神经元的运作过程得到明晰，但神经网络学习的高效运作需要依赖相关学习规则。热烈时期的标志正是经典学习规则的提出。
第三阶段是20世纪60年代中叶至70年代中叶的冷静时期。由于感知器结构单一，并且只能处理简单线性可分问题，故如何突破这一局限，成为理论界关注的焦点。
第四阶段是20世纪70年代中叶至80年代末的复兴时期。1980年，美国卡内基梅隆大学举办了首届机器学习国际研讨会，标志着机器学习在世界范围内的复兴。
第五阶段是20世纪90年代后的多元发展时期。通过对前面四个阶段的梳理可知，虽然每一阶段都存在明显的区分标志，但几乎都是围绕人工神经网络方法及其学习规则的衍变展开。
2：强人工智能和弱人工智能区别有：
弱人工智能( Artificial Narrow Intelligence , ANI)
弱人工智能是擅长于单个方面的人工智能 比如战胜世界围棋冠军的人工智能 lphaGo ，它只会下围棋，如果你让他辨识一下猫和狗，它就不知道怎么做了 我们现在实现的几乎全是弱人工智能
强人工智能( Artificial General Intelligence , AGI)
这是类似人类级别的人工智能 强人工智能是指在各方面都能和人类比肩的人工智能，人类能干的脑力活，它都能干 创造强人工智能比创造弱人工智能难得多，
3：深度学习和浅层学习区别：
区别于传统的浅层学习，深度学习的不同在于：
1）强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点
2）明确突出了特征学习的重要性，也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据的丰富内在信息。
4：没有必要用深度学习解决所有问题，因为生活中存在小样本问题，深度学习模型需要大量训练数据，此时不适用深度学习，有的领域，采用传统的机器学习方法，就可以很好解决了，没必要采用复杂的深度学习方法
5：深度学习与我目前的农产品价格数据的分析预测是相关的