深度学习与机器学习有何不同？
深度学习只是机器学习的一个子集。
它们的主要区别在于每种算法的学习方式以及每种算法使用的数据量。
深度学习使过程中的大部分特征提取是自动化的，消除了一些所需的人工干预。
它还支持使用大型数据集，当我们开始更多地探索非结构化数据的使用时，这种功能将特别有趣，特别是因为估计一个组织 80-90% 的数据是非结构化的。
机器学习：人工干预来学习，多结构化数据来学习
经典的或“非深度”的机器学习更依赖于人工干预来学习。专家确定特征层次以了解数据输入之间的差异，通常需要更多结构化数据来学习。例如，假设我要向你展示一系列不同类型快餐的图片，“手抓饼”、“汉堡”或“烧烤”。这些图像的人类专家将确定将每张图片区分为特定快餐类型的特征。例如，每种食物类型的面包可能是每张图片中的一个显着特征。或者，你可以只使用标签，例如“抓饼”、“汉堡”或“烧烤”，通过监督学习来简化学习过程。
“深度”机器学习可以利用标记数据集（也称为监督学习） 来通知其算法，但它不一定需要标记数据集。它可以以原始形式（例如文本、图像）摄取非结构化数据，并且可以自动确定将“手抓饼”、“汉堡”和“烧烤”彼此区分开来的一组特征。
通过观察数据中的模式，深度学习模型可以适当地对输入进行聚类。以之前的相同示例为例，我们可以根据图像中识别出的相似性或差异将手抓饼、汉堡和烧烤的图片分组到各自的类别中。话虽如此，深度学习模型需要更多的数据点来提高其准确性，而机器学习模型在给定基础数据结构的情况下依赖较少的数据。 深度学习主要用于更复杂的用例，例如虚拟助手或诈骗检测。
