所以，機器學習和深度學習的區別是什麼？

深度學習是機器學習演算法的子類，其特殊性是有更高的複雜度。因此，深度學習屬於機器學習，但它們絕對不是相反的概念。我們將淺層學習稱為不是深層的那些機器學習技術。

讓我們開始將它們放到我們的世界中：

這種高度複雜性基於什麼？

在實踐中，深度學習由神經網路中的多個隱藏層組成。我們在《從神經元到網路》一文中解釋了神經網路的基礎知識，然後我們已經將深度學習介紹為一種特殊的超級網路：

層數的增加和網路的複雜性被稱為深度學習，類似於類固醇(steroids)上的常規網路。

為什麼這種複雜性是乙個優勢？

知識在各個層間流動。就像人類學習，乙個逐步學習的過程。第一層專注於學習更具體的概念，而更深的層將使用已經學習的資訊來吸收得出更多抽象的概念。這種構造資料表示的過程稱為特徵提取。

它們的複雜體系結構為深度神經網路提供了自動執行特徵提取的能力。相反，在常規的機器學習或淺層學習中，此任務是在演算法階段之外執行的。由人員，資料科學家團隊（而非機器）負責分析原始資料並將其更改為有價值的功能。

深度學習的根本優勢在於，可以在無結構化資料上訓練這些演算法，而無限制地訪問資訊。這種強大的條件為他們提供了獲得更多有價值的學習的機會。

也許現在您在想…

從多少層開始，它被視為深度學習？關於淺層學習何時結束和深度學習何時開始尚無統一定義。但是，最一致的共識是，多個隱藏層意味著深度學習。換句話說，我們考慮從至少3個非線性轉換進行深度學習，即大於2個隱藏層+ 1個輸出層。

除了神經網路之外，還有其他深度學習嗎？

我也無法對此達成完全共識。然而，似乎有關深度學習的一切至少或間接地與神經網路有關。因此，我同意那些斷言沒有神經網路就不會存在深度學習的人的觀點。

我們什麼時候需要深度學習？

uat並未指定必須包含多少個神經元。儘管單個隱藏層足以為特定函式建模，但通過多個隱藏層網路學習它可能會更加有效。此外，在訓練網路時，我們正在尋找一種函式，可以最好地概括資料中的關係。即使單個隱藏網路能夠表示最適合訓練示例的函式，這也不意味著它可以更好地概括訓練集中資料的行為。

ia goodfellow，yahua bengio，aaron courville的《深度學習》一書對此進行了很好的解釋：

總而言之，具有單層的前饋網路足以表示任何函式，但是該層可能過大而無法正確學習和概括。在許多情況下，使用更深入的模型可以減少表示函式所需的單元數，並可以減少泛化誤差。總結

深度學習基本上是機器學習的子類，它是使用多個隱藏層的神經網路。它們的複雜性允許這種型別的演算法自行執行特徵提取。由於它們能夠處理原始資料，因此可以訪問所有資訊，因此有可能找到更好的解決方案。