1樓：
深度學習只是機器學習的一小塊，只是現在發展的最火，導致其名聲在外。
深度學習特指由神經網路構成的多層結構，層數少了就不叫深度學習了。
但是除去深度學習，機器學習還有很多傳統方法，PCA，SVM，Clustering，Tree等等方法。
就我個人而言，普通工作深度學習用的其實並不多，各種基於樹的模型用的更加頻繁，尤其是random forest和boosting。以前喜歡用XGBoost，現在更喜歡用LightGBM。當然這只是工具。
工作中雖然70%以上的時間在處理資料，但是在我看來最重要的是發現問題，把問題正確的數學化。
2樓：乙個沙雕的男孩子
首先要明確二者的關係，機器學習是乙個大而寬泛的概念，實際上是指通過數學的途徑讓計算機學習相關的引數，從而達成某乙個任務的目的。而深度學習是指利用多層網路結構的方式達成目的，這一網路結構通常也是指一種數學假設函式，其功能強大只是由於其引數更多函式更加複雜，從而能夠達成的任務往往也可以更為複雜，所以近些年比較流行。簡單說，深度學習是機器學習領域內的一大重要分支，這樣理解即可。
3樓：hui蕾
深度學習是機器學習的乙個分支。機器學習是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、演算法複雜度理論等多門學科。
4樓：陳偉
深度學習屬於機器學習的子集，只是其中一小塊。學習的角度還是建議從機器學習入手，所謂深度學習裡面優化演算法，回歸等很多理念都從機器學習引申出來的
5樓：吳建明wujianming
機器學習能夠適應各種資料量，特別是資料量較小的場景。在另一方面，如果資料量迅速增加，那麼深度學習的效果將更為突出。下圖展示了不同資料量下機器學習與深度學習的效能水平。
與傳統機器學習演算法相反，深度學習演算法在設計上高度依賴於高階裝置。深度學習演算法需要執行大量矩陣乘法運算，因此需要充足的硬體資源作為支援。
特徵工程是將特定領域知識放入指定特徵的過程，旨在減少資料複雜性水平並生成可用於學習演算法的模式。
示例：傳統的機器學習模式專注於特徵工程中所需要找畫素及其他屬性。深度學習演算法則專注於資料的其他高階特徵，因此能夠降低處理每個新問題時特徵提取器的實際工作量。
傳統機器學習演算法遵循標準程式以解決問題。它將問題拆分成數個部分，對其進行分別解決，而後再將結果結合起來以獲得所需的答案。深度學習則以集中方式解決問題，而無需進行問題拆分。
執行時間是指訓練演算法所需要的時間量。深度學習需要大量時間進行訓練，因為其中包含更多引數，因此訓練的時間投入也更為可觀。相對而言，機器學習演算法的執行時間則相對較短。
可解釋性是機器學習與深度學習演算法間的主要區別之一——深度學習演算法往往不具備可解釋性。也正因為如此，業界在使用深度學習之前總會再三考量。
6樓：gwave
首先問題表述有點問題，深度學習是機器學習的一種，估計你想問的是深度學習和機器學習中除了深度學習以外的其他方法的區別。
聯絡就不說了，深度學習使用的框架和評價體系等延續機器學習的，只是方法上主要採用多層神經網路技術，多層就是深度得名的原因。
深度學習和機器學習有什麼區別？
深度學習就是多層神經網路，機器學習就是傳統的那一堆模型，lr，svm，各種決策樹，knn之類。至於單隱層的簡單神經網路，歐美目前越來越傾向於劃分到深度學習裡面。 總的來說機器學習分為監督學習和無監督學習，其中監督學習的演算法大致有knn svm 邏輯回歸神經網路決策樹等，無監督學習的演算法，如聚類等...
深度學習乃至機器學習和凸論有什麼本質聯絡？
Gavin Hu 個人見解 因為 large scale deep learning 是目前的研究熱點，也是 deep learning 展現威力的領域。這裡 large scale 體現在 model size 和資料集大小兩個方面。在工業界最受關注的工作，包括 Google 的 distbeli...
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...