1.特徵提取方面
深度學習演算法試圖從資料中學習高階功能，這是深度學習的乙個非常獨特的部分。因此，減少了為每個問題開發新特徵提取器的任務。適合用在難提取特徵的影象、語音、自然語言處理領域。
2. 資料量和計算效能要求
機器學習需要的執行時間遠少於深度學習，深度學習引數往往很龐大，需要通過大量資料的多次優化來訓練引數。
可能要花費數天、甚至數週的時間，才能使用數百萬張影象的資料集訓練出乙個深度網路。所以深度學習通常
3. 演算法代表
機器學習——樸素貝葉斯、決策樹等
深度學習——神經網路
關於機器學習經典演算法詳細內容：
機器學習與深度學習
機器學習簡介 機器學習是什麼 無序資料轉化為價值的方法 機器學習價值 從資料中抽取規律，並用於 未來。機器學習應用舉例 分類問題 影象識別，垃圾郵件識別 回歸問題 股價 房價 排序問題 點選率預估，推薦 生成問題 影象生成，影象風格轉換，影象文字描述生成。機器學習的應用流程 線下訓練到線上服務 機器...
辨析 深度學習與機器學習的基本區別
介紹 機器學習和深度學習現在風靡一時！好像是在一瞬間，每個人都在談論著它們 無論人們是否理解兩者中間的差異！現在人們無論是否關注資料科學 都會聽到過這兩個術語。現在展示一下深度學習和機器學習所獲得的關注度，以下是這些關鍵字的google趨勢 1.什麼是機器學習和深度學習 讓我們從基礎的知識開始開始說...
深度學習基礎（1） 機器學習與深度學習
機器學習 深度學習 通常，在我們接觸深度學習的過程中，經常可以看到機器學習，深度學習，監督學習，無監督學習，神經網路，隱藏層，函式等一系列概念。這些概念之間的相互關係是什麼，分別是什麼意思，有什麼作用，搞清楚這個是非常重要的。在此對其進行一次梳理。所有的概念都可以認為出自 人工智慧 artifici...