人工智能（AI）包含的技术非常广泛，以下是对其主要技术的清晰分类和归纳：

机器学习（Machine Learning）

定义：一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能。

分类：包括监督学习（如线性回归、逻辑回归、支持向量机等）、无监督学习（如聚类、主成分分析等）、半监督学习（如标签传播等）、以及强化学习（从环境中学习最佳决策）。

应用：广泛应用于数据预测、模式识别、异常检测等领域。

自然语言处理（Natural Language Processing, NLP）

定义：研究如何让计算机理解、处理、生成自然语言的技术。

技术：包括文本分析、文本挖掘、信息检索、语音识别、机器翻译等。

应用：搜索引擎、智能客服、机器翻译、智能教育、医疗健康等领域。

计算机视觉（Computer Vision）

定义：利用算法使计算机能够识别、理解和解释图像和视频的技术。

应用：人脸识别、图像识别、自动驾驶、安防监控等领域。

知识图谱（Knowledge Graph）

定义：结构化的语义知识库，以符号形式描述物理世界中的概念及其相互关系。

应用：搜索引擎、可视化展示、精准营销、反欺诈等领域。

机器人技术（Robotics）

定义：利用人工智能算法使智能机器人能够理解环境、适应环境、规划行动和执行任务的技术。

应用：工业自动化、家庭服务、医疗康复、太空探索等领域。

生物识别技术（Biometrics）

定义：利用人体固有的生体特性进行个人身份鉴定的技术。

类型：包括指纹识别、虹膜识别、人脸识别、语音识别等。

应用：门禁系统、移动支付、安全认证等领域。

深度学习（Deep Learning）

定义：作为机器学习的一个分支，深度学习通过使用多个隐藏层和大量数据来学习特征，从而提升分类或预测的准确性。

应用：图像识别、语音识别、自然语言处理等领域。

其他技术

还包括专家系统、模糊逻辑、神经网络、遗传算法等，这些技术在不同程度上模拟了人类的智能行为。

这些技术共同构成了人工智能的庞大体系，并在各自的领域内发挥着重要作用。随着技术的不断进步，人工智能将在更多领域展现出其强大的潜力。