假设你经常想让自己弄分明机器学习和深度学习的区别，浏览该文章，我将用深刻易懂的言语为你引见他们之间的差异。
机器学习和深度学习变得越来越火。突然之间，不论是了解的还是不了解的，一切人都在议论机器学习和深度学习。无论你能否被动关注过数据迷信，你应该曾经据说过这两个名词了。
为了展现他们的炽热水平，我在 Google trend 上搜查了这些关键字：
假设你想让自己弄分明机器学习和深度学习的区别，请浏览本篇文章，我将用深刻易懂的言语为你引见他们之间的差异。下文详细解释了机器学习和深度学习中的术语。并且，我比拟了他们两者的不同，别说明了他们各自的经常使用场景。
什么是机器学习和深度学习?
让咱们从基础常识开局：什么是机器学习?和什么是深度学习?假设你对此已有所了解，随时可以跳过本局部。
什么是机器学习?
一言以蔽之，由 Tom Mitchell 给出的被宽泛援用的机器学习的定义给出了***解释。上方是其中的内容：
“计算机程序可以在给定某种类别的义务 T 和性能度量 P 下学习阅历 E ，假设其在义务 T 中的性能恰恰可以用 P 度量，则随着阅历 E而提高。”
是不是读起来很绕口呢?让咱们用便捷的例子来合成下这个形容。
示例 1：机器学习和依据人的身高预算体重
假定你想创立一个能够依据人的身高预算体重的系统(兴许你出自某些理由对这件事件感兴味)。那么你可以经常使用机器学习去找出任何或许的失误和数据捕捉中的失误，首先你须要搜集一些数据，让咱们来看看你的数据是什么样子的：
图中的每一个点对应一个数据，咱们可以画出一条便捷的斜线来预测基于身高的体重
例如这条斜线：
...这些斜线能协助咱们作出预测，虽然这些斜线体现得很棒，然而咱们须要了解它是怎样体现的，咱们宿愿去缩小预测和实践之间的误差，这也是权衡其性能的方法。
深远一点地说，咱们搜集更多的数据(experience)，模型就会变得更好。咱们也可以经过参与更多变量(例如性别)和参与不同的预测斜线来完善咱们的模型。
示例2：飓风预测系统
咱们找一个复杂一点的例子。假设你要构建一个 飓风预测系统 。假定你手里有一切以前出现过的飓风的数据和这次飓风发生前三个月的天气消息。
假设要手动构建一个飓风预测系统，咱们应该怎样做?
首先咱们的义务是荡涤一切的数据找到数据外面的形式进而查找发生飓风的条件。
咱们既可以将模型条件数据(例如气温高于40度，湿度在80-100等)输入到咱们的系统外面熟成输入;也可以让咱们的系统自己经过这些条件数据发生适合的输入。
咱们可以把一切以前的数据输入到系统外面来预测未来能否会有飓风。基于咱们系统条件的取值，评价系统的性能(系统正确预测飓风的次数)。咱们可以将系统预测结果作为反应继续屡次迭代以上步骤。
让咱们依据前边的解释来定义咱们的预测系统：咱们的义务是确定或许发生飓风的气候条件。性能P是在系对立切给定的条件下有多少次正确预测飓风。阅历E是咱们的系统的迭代次数。
什么是深度学习?
深度学习的概念并不陈腐。它曾经存在好几年了。但随同着现有的一切的炒作，深度的学习越来越遭到注重。正如咱们在机器学习中所做的那样，先来看看深度学习的官网定义 ，而后用一个例子来解释。
“深度学习是一种不凡的机器学习，经过学习将环球经常使用嵌套的概念档次来示意并成功渺小的配置和灵敏性，其中每个概念都定义为与便捷概念相关联，而更为形象的示意则以较不形象的形式来计算。”
这也有点让人凌乱。上方经常使用一个便捷示例来合成下此概念。
示例1: 状态检测
先从一个便捷的例子开局，从概念层面上解释终究出现了什么的事件。咱们来试试看如何从其余状态中识别的正方形。
咱们眼中的***件事是审核图中能否有四条的线(便捷的概念)。假设咱们找到这样的四条线，咱们进一步审核它们是相连的、闭合的和相互垂直的，并且它们能否是相等的(嵌套的概念档次结构)。
所以，咱们成功了一个复杂的义务(识别一个正方形)，并以便捷、不太形象的义务来成功它。深度学习实质上在大规模口头相似逻辑。
示例2: 猫 vs. 狗
咱们举一个生物辨识的例子，其中咱们的系统必定识别给定的图像中的生物是猫还是狗。
机器学习和深度学习的对比
如今的你应该曾经对机器学习和深度学习有所了解，接上去咱们将会学习其中一些重点，并比拟两种技术。
数据依赖性
深度学习与传统的机器学习最关键的区别在于随着数据规模的参与其性能也不时增长。当数据很少时，深度学习算法的性能并不好。这是由于深度学习算法须要少量的数据来***地理解它。另一方面，在这种状况下，传统的机器学习算法经常使用制订的规定，性能会比拟好。下图总结了这一理想。
配件依赖
深度学习算法须要启动少量的矩阵运算，GPU 关键用来高效优化矩阵运算，所以 GPU是深度学习反常上班的必定配件。与传统机器学习算法相比，深度学习更依赖装置 GPU 的上流机器。
特色处置
特色处置 是将畛域常识放入特色提取器外面来缩小数据的复杂度并生成使学习算法上班的更好的形式的环节。特色处置环节很耗时而且须要专业常识。
在机器学习中，大少数运行的特色都须要专家确定而后编码为一种数据类型。
特色可以使像素值、状态、纹理、位置和方向。大少数机器学习算法的性能依赖于所提取的特色的准确度。
深度学习尝试从数据中间接失掉初等级的特色，这是深度学习与传统机器学习算法的关键的不同。基于此，深度学习增添了对每一个疑问设计特色提取器的上班。例如，卷积神经网络 尝试在前边的层学习高等级的特色(边界，线条)，而后学习局部人脸，而后是初级的人脸的形容。更多消息可以浏览 神经网络机器在深度学习外面的幽默运行。
疑问处置形式
当运行传统机器学习算法处置疑问的时刻，传统机器学习通常会将疑问合成为多个子疑问并一一子疑问处置***联合一切子疑问的结果取得最终结果。同样，深度学习倡议间接的端到端的处置疑问。
举例说明：
假定有一个 多物体检测 的义务须要图像中的物体的类型和各物体在图像中的位置。
传统机器学会将疑问合成为两步：物体检测和物体识别。首先，经常使用一个边界框检测算法扫描整张图片找到或许的是物体的区域;而后经常使用物体识别算法(例如 SVM 联合HOG )对上一步检测进去的物体启动识别。
同样，深度学习会间接将输入数据启动运算失掉输入结果。例如可以间接将图片传给 YOLO 网络 (一种深度学习算法)，YOLO网络会给出图片中的物体和称号。
口头期间
通常状况下，训练一个深度学习算法须要很长的期间。这是由于深度学习算法中参数很多，因此训练算法须要消耗更长的期间。***进的 深度学习算法 ResNet完整地训练一次性须要消耗两周的期间，而机器学习的训练会消耗 的期间 相对较少，只有要几秒钟到几小时的期间。
但两者测试的期间上是齐全同样。深度学习算法在测试时只有要很少的期间去运转。假设跟 k-nearest neighbors(一种机器学习算法)相比拟，测试期间会随着数据量的优化而参与。不过这不实用于一切的机器学习算法，由于有些机器学习算法的测试期间也很短。
可解释性
至关关键的一点，咱们把可解释性作为比拟机器学习和深度学习的一个要素。
咱们看个例子。假定咱们实用深度学习去智能为文章评分。深度学习可以到达凑近人的规范，这是相当惊人的性能体现。然而这依然有个疑问。深度学习算法不会通知你为什么它会给出这个分数。当然，在数学的角度上，你可以找进去哪一个深度神经网络节点被激活了。然而咱们不知道神经元应该是什么模型，咱们也不知道这些神经单元层要独特做什么。所以不可解释结果是如何发生的。
另一方面，为了解释为什么算法这样选用，像决策树( decision trees)这样机器学习算法给出了明白的规定，所以解释决策面前的推理是很容易的。因此，决策树和线性/ 逻辑回归 这样的算法关键用于工业上的可解释性。