嚴格意義上講，深度學習屬於機器學習，所以這裡的機器學習嚴格意義上說，應該叫傳統意義的機器學習：基於概率統計的機器學習。
在我讀研的時候，已經判斷機器學習會在後幾年火熱起來，但是，由於alphago的「攪局」，這一時間點提前了，著實讓我有些狼狽的追趕，但是好歹也算是找到了機器學習的工作，雖然其中有一些彎路，還算如願吧。
這一輪人工智慧的熱潮呢，如果不是深度學習，機器學習不會如此火熱。青出於藍，是不是勝於藍，這個可以再說，但是畢竟有其獨特的地方，值得說道說道。而且，就我的感覺，他們的差別還是不小的，而目前，深度學習的潛力還沒有完全釋放出來。
那他們的區別在**呢？
1. 要不要特徵選擇？
傳統的機器學習，有個說法特別有名：特徵工程決定了我們的極限，機器學習演算法不過是逼近這個極限。機器學習在工業界裡，可以說大部分時間都在資料預處理，做特徵工程，演算法花費的精力其實並不多。
一旦解決了資料表達和特徵選擇，很多人工智慧任務也就解決了90%。而，做過特徵選擇的人都知道，這個事可不是這麼簡單的。
深度學習作為機器學習的組成部分，它的獨特地方在於可以自動的從簡單的特徵中提取更加複雜的特徵。如果詳細說來，傳統機器學習，首先人工特徵提取，然後權重學習，最後**結果。深度學習首先基礎特徵提權，然後多層複雜特徵提取，然後權重學習，最後**。接單總結兩個小點：（１）、自動；（２）、獲得複雜特徵。
2. 屬於哪個門派？
我在看佩德羅的《終極演算法》時，看到裡面對機器學習分為５個學派。我們今天討論的深度學習屬於聯結學派，靈感**於神經科學和物理學；傳統機器學習屬於貝葉斯學派，理論根基在於統計學。從這裡延伸，我們就可以發現，這屬於兩個不同的流派，差別堪比符號學派與機器學習的區別吧。
3. 誰更吃計算資源和資料量？
在９０年代末期，傳統的機器學習演算法也有了突破性的進展，代表性的演算法是支援向量機，手寫體識別的錯誤率降低到０.８％。之所以會這樣，主要有兩個原因：（１）、當年的計算資源比較稀缺，訓練深層神經網路比較困難；（２）、資料量比較小，無法滿足需求。
傳統機器學習和深度學習
托馬斯 貝葉斯 thomas bayes 同學的詳細生平在這裡。以下摘一段 wikipedia 上的簡介 所謂的貝葉斯方法源於他生前為解決乙個 逆概 問題寫的一篇文章，而這篇文章是在他死後才由他的一位朋友發表出來的。在貝葉斯寫這篇文章之前，人們已經能夠計算 正向概率 如 假設袋子裡面有n個白球，m個...
機器學習深度學習
機器學習與深度學習，人工智慧 這些領域，如果機器需要向人學習，那麼，人是如何學習的，或者人思維是如何運作的。構 的乙個思維生態 閉環 目前機器學習人工智慧的取得較大發展是依託統計概率論。如果機器需要有自己的ai，那麼是否意味著人在創造生命。因為，生命可以不斷的延續。那麼什麼是生命，生命由那些構成，構...
機器學習 深度學習
深度學習歷程 深度學習是一種機器學習方法，給定一組輸入 值輸入或者傳出計算機資訊 它允許我們訓練人工智慧來 輸出。吳恩達 與深度學習類似的是，火箭發動機是深度學習模型，燃料是我們可以提供給這些演算法的海量資料。神經網路是一組粗略模仿人類大腦，用於模式識別的演算法。1981 年 諾貝爾獎，人的視覺系統...