1樓：上里巴人
有多種原因：
模型可解釋性
很多時候業界需要解釋變數關係，傳統機器學習（特別是Generalized Linear Model）在這方面依然有不可替代的優勢。不僅僅是內部分析需求，也有外部要求，比如在信貸領域，監管要求機器學習具有可解釋性。
資料量有限
深度學習在大量多維資料具有優勢，然而業界在很多場景下資料並不多，維度也比較低。現在能把資料質量和representation做好就不錯了，傳統機器學習還有很多挖掘空間。
人才和資金有限
這是真的，大部分公司都玩不起，不論是招聘還是雲計算成本。業界還有很多人搞不清楚data leakage，甚至還有在訓練集上做測試。雖然現在Auto ML大行其道，但很多業務需求十分複雜，不是直接import就可以解決的。
2樓：david
深度學習只是機器學習的方法之一，傳統的機器學習是基礎，傳統機器學習的基礎對理解和運用深度學習有很大幫助。很多場景傳統的機器學習就可以很好的解決，很多場景兩者可以很好的結合。
3樓：辛普森悖論
傳統的機器學習主要是特徵的人為提取，深度學習是特徵通過演算法自動提取。對於傳統的機器學習大部分思想和演算法可以得到解釋，但是深度學習的演算法比較像黑盒。
4樓：Genepolymorphism
深度學習不過是神經網路這種模型或者框架的一種延續而已，並不能代表統計學習、機器學習包括人工智慧的未來。儘管深度神經網路在影象領域獲得了長足的進步，但是無論從理論還是應用，其缺點不足還是很明顯的。即便在看似深度學習要一統江湖的機器視覺領域，香港中文大學團隊就用過高斯過程做出過gaussianface，毫不遜於深度學習的諸多演算法。
在更多的工業領域，所面臨的問題更複雜，深度學習所能應用的場合少之又少。
神經網路本身也同樣經歷過高潮與低谷，同樣也不好預期未來深度神經網路是否同樣還會遭遇低谷。做這個領域，沒有常青樹，基礎紮實跨領域的研究才能在未來獲得更多的可能性。
更遠的真正的人工智慧，靠深度網路這樣的統計模型很難說可以做到，還得靠認知科學、腦科學、計算機、數學統計學的多領域融合才有可能。
學深度學習有沒必要把傳統機器學習演算法原理都學一遍？
沒有必要。推薦使用deep learning for computer vision with python，一本書完成從入門到精通。即使少量地方需要ml的知識，臨時補都可以。各個學科有交叉的時候，只需要補充交叉部分，多了的不要去管，快速達成目標最重要。即使就業導向，需要補ml以應對面試，那也與dl...
深度學習系統相比較傳統的機器學習系統，針對常見的分類問題，精度究竟能有多大提公升？
個人覺得機器學習演算法和深度學習演算法各有優劣，人類的智慧型到這個程度應該是兩者的能力都有具備的，有乙個平台實踐比較好，據說有乙個BOT大賽，還可以領取udacity的優惠券， 已登出 同意xgboost，簡單快捷。我猜直接套演算法能提高到85 也就幾個小時就能出結果。要用deeplearning時...
傳統機器學習如svm和深度學習的根本區別是什麼？
AI落地工程師 機器學習有感知機 統計學習 神經網路等方向，其中深度學習屬於神經網路分支。傳統機器學習方法，比如SVM,一般需要人工設計訓練所需的特徵，當然深度學習網路的featuremap也可以作為SVM的訓練特徵。深度學習主要靠深層神經網路來自動學習特徵，然後採用傳統機器學習進行分類，或者其他分...