🙌秋名山码民的主页
😂一个打过一年半的oier，写过一年多的Java，现在致力于学习iot应用的普通本科生
🎉欢迎关注🔎点赞👍收藏⭐️留言📝
🙏作者水平有限，如发现错误，还请私信或者评论区留言！

前言

博主目前不是相关从事人员，本文的书写时，博主学习机器学习与深度学习已有2月有余，如有知识性错误还请指正。

1. 机器学习和深度学习的区别

1.1 机器学习

机器学习的核心是数据和特征而模型和算法只是逼近这个上限，比如男女的二分问题，你如果去使用衣服、鞋子、眼睛、头发来进行区分，那么我相信世界上没有任何一种算法能够很好的区分，但是如果去使用染色体来进行区分，那么随便选择一个算法的训练结果都是很好的。

1.2 深度学习

深度学习，特征工程就没那么重要了，特征只需要做些预处理就可以了，因为它可以自动完成传统机器学习算法中需要特征工程才能实现的任务，特别是在图像和声音数据的处理中更是如此，但模型结构会比较复杂，训练较为麻烦。另一个方面，虽然深度学习让我们可以省去特征工程这一较为繁琐的过程，但也让我们失去了对特征的认识，如特征的重要性等。比如，自然语言处理，如果按照自然语言处理来构造特征，是很困难的，但是他的数据量可以很庞大，所以用深度学习会比较好一点。

1.3 机器学习VS深度学习

深度学习：图像处理，自然语言处理等，因为图像、语言、文本都较难进行特征工程，交给深度学习是一个很好的选择。

机器学习：金融风控，量化分析，推荐系统，广告预测等，因为需要较好的可解释性，会更多的采用传统机器学习方法。

总结一下，还是上面的俩种学习的核心所在，特征性强，需要较好的可解释性，就选取机器学习，如果是数据量很大，特征性没那么强，也不需要好的可解释性，那么可以考虑深度学习。硬件层面，这个其实也和上面的特性有关，因为你数据量的大小，得考虑你的硬件速度啊，机器学习算法需要较少的计算能力。通常来讲，桌面 CPU 足以训练这些模型。深度学习模型需要大量的计算能力。通常来讲，这些模型需要大量的GPU算力资源来进行训练。当然也可以用集群部署进行共享资源，训练方式机器学习可以使用自动化算法学习模型函数以从数据中预测未来的行为，而深度学习使用能够传递很多层的神经网络来解释数据特征和关系。