简述“机器学习”“人工智能”“深度学习”的联系与区别（10分）。如果机器学习的应用效果不好，什么时候应当增加算法复杂度？什么时候应当增加数据量？

"机器学习"、"人工智能"和"深度学习"都是与计算机科学相关的领域，但它们有着不同的关注点和方法。

- 机器学习（Machine Learning）是研究如何让计算机系统通过从数据中学习和改进来完成任务的方法。它关注的是通过训练模型从数据中发现模式和规律，并利用这些模式和规律来进行预测、分类或决策等任务。

- 人工智能（Artificial Intelligence）是研究如何使计算机系统能够模拟人类智能的一门学科。它涵盖了包括机器学习在内的多种方法和技术，旨在使计算机能够理解、推理、学习和自主决策等。

- 深度学习（Deep Learning）是机器学习的一个分支，它通过构建深层神经网络模型来解决复杂的问题。深度学习模型由多个神经网络层组成，每一层都对输入数据进行特征提取和转换，最终实现高层次的抽象表示和决策。

关于增加算法复杂度和增加数据量，可以根据以下原则进行考虑：

- 增加算法复杂度：当机器学习模型的预测效果不理想，可以考虑增加算法复杂度来提升模型的表达能力。例如，选择更复杂的模型结构、调整模型的超参数或增加模型的层数等。但需要注意，过度增加算法复杂度可能导致过拟合问题，需要在模型性能和过拟合之间进行权衡。

- 增加数据量：当机器学习模型的预测效果不理想且已经尝试了多种算法和调参方法后，可以考虑增加数据量来改善模型的泛化能力。更多的数据可以提供更全面、多样化的信息，有助于减少模型的方差并提高预测能力。但需要注意，增加数据量也可能带来数据采集和处理的成本，并且并非所有情况下都可以轻易地获取更多的数据。

在实际应用中，增加算法复杂度和增加数据量通常需要综合考虑问题的具体情况、可行性和成本效益等因素。