机器学习衍生出了深度学习。
N.1 机器学习和深度学习区别
1）数据依赖
随着数据量的增加，二者的表现有很大区别：
可以发现，深度学习适合处理大数据，而数据量比较小的时候，用传统机器学习方法也许更合适。
2）硬件依赖
深度学习十分地依赖于高端的硬件设施，因为计算量实在太大了！深度学习中涉及很多的矩阵运算，因此很多深度学习都要求有GPU参与运算，因为GPU就是专门为矩阵运算而设计的。相反，普通的机器学习随便给一台破电脑就可以跑。
3）特征工程
特征工程就是前面的案例里面讲过的，我们在训练一个模型的时候，需要首先确定有哪些特征。
在机器学习方法中，几乎所有的特征都需要通过行业专家在确定，然后手工就特征进行编码（当然有的是存在自动学习的）。然而深度学习算法试图自己从数据中学习特征。这也是深度学习十分引人注目的一点，毕竟特征工程是一项十分繁琐、耗费很多人力物力的工作，深度学习的出现大大减少了发现特征的成本。
4）解决问题的方式
在解决问题时，传统机器学习算法通常先把问题分成几块，一个个地解决好之后，再重新组合起来。但是深度学习则是一次性地、端到端地解决。如下面这个物体识别的例子：
如果任务是要识别出图片上有哪些物体，找出它们的位置。那么传统机器学习的做法是把问题分为两步：发现物体 和 识别物体。首先，我们有几个物体边缘的盒型检测算法，把所有可能的物体都框出来。然后，再使用物体识别算法，例如SVM在识别这些物体中分别是什么。
但是深度学习不同，给它一张图，它直接给出把对应的物体识别出来，同时还能标明对应物体的名字。这样就可以做到实时的物体识别。例如YOLO net就可以在视频中实时识别：
5）运行时间
深度学习需要花大量的时间来训练，因为有太多的参数需要去学习。顶级的深度学习算法ResNet需要花两周的时间训练。但是机器学习一般几秒钟最多几小时就可以训练好。
但是深度学习花费这么大力气训练处模型肯定不会白费力气的，优势就在于它模型一旦训练好，在预测任务上面就运行很快。这才能做到我们上面看到的视频中实时物体检测。
6）可理解性
最后一点，也是深度学习一个缺点。其实也说不上是缺点吧，那就是深度学习很多时候我们难以理解。一个深层的神经网络，每一层都代表一个特征，而层数多了，我们也许根本就不知道他们代表的啥特征，我们就没法把训练出来的模型用于对预测任务进行解释。例如，我们用深度学习方法来批改论文，也许我们训练出来的模型对论文评分都十分的准确，但是我们无法理解模型到底是啥规则，这样的话，那些拿了低分的同学找你质问“凭啥我的分这么低啊？！”，你也哑口无言····因为深度学习模型太复杂，内部的规则很难理解。
但是机器学习不一样，比如决策树算法，就可以明确地把规则给你列出来，每一个规则，每一个特征，你都可以理解。但是这不是深度学习的错，只能说它太牛逼了，人类还不够聪明，理解不了深度学习的内部的特征。
N.2 机器学习流程
1）流程图介绍，当然机器学习和深度学习的流程差不多
2）特征工程要做的事，它的目的就是获取更好的训练数据，这样你后面选选取算法才可以选的准确
特征工程的提出算法有：离散值处理、归一化、缺失值、权重处理、降维、正则化、衍生变量、决策树(也可以提取特征)、标签编码、one-hot 编码、Get Dummy 构造哑变量、
二值特征1和 0、多项式特征、binning特征分箱、分位数切分
