之前的文章都聚焦在传统的机器学习上，作为入门，学了许多机器学习的基础。往后的文章我会穿插着机器学习和深度学习的内容进行，所有有必要在这里先说下两者的关系。

一、从范围上讲

        深度学习和机器学习都是人工智能的一个子领域，它们之间的关系可以理解为包含和被包含的关系。机器学习是实现人工智能的一种方法，而深度学习是机器学习的子领域。

        机器学习是一种让机器通过数据学习知识和规律，并应用这些知识规律进行决策或预测的技术。在机器学习中，典型的方法包括线性回归、决策树、支持向量机、集成学习等等。

        深度学习是机器学习的一个重要分支，它模仿人脑神经网络的工作机制，设计了多层的神经网络结构，这就是深度学习中的"深度"。深度学习中通常采用神经网络模型，如卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）等进行模型设计。

        可以说深度学习是机器学习的一个延伸和深化，它在处理大规模、高维度和复杂数据时展现出卓越的性能，特别是在图像识别、语音识别、自然语言处理等领域取得了突破性进展。所有的深度学习都是机器学习，但并非所有的机器学习都是深度学习。

一、从学习的过程上讲

        深度学习和机器学习从学习的目的上来说都是以损失函数为基准，找出能使损失降到最小的参数。 从学习的过程上来说，机器学习中更多人的参与，深度学习中人的参与很少。

        在传统机器学习中，特征工程是非常关键且耗时的一步。人类专家需要根据领域知识对原始数据进行精心设计和转换，提取出对模型有帮助的特征。这一过程可能包括数据预处理、特征选择、特征构造等，而且特征的好坏直接影响到模型的性能。

        相比之下，深度学习的一个重要优势就是能“自我学习”，即自动进行特征学习和特征选择。深度神经网络中的每一层都能够从输入数据中提取和学习不同级别的特征表示。底层的网络层可能学习到的是局部和简单的特征，而随着网络深度的增加，高层的网络层能够捕捉到更抽象、更复杂的特征。

        在图像、语音、自然语言处理等领域的数据通常都具有非常复杂的结构，人工进行特征提取和特征选择难度很大，而深度学习能从这类数据中自动提取有用的信息。