有人问机器学习和深度学习的区别是什么？伴随着行业内对数据科学和机器学习的使用越来越重视，对于每个想要在大环境站住脚的公司来说，重视机器学习将变得非常重要。
今天小编从应用场景、所需数据量、数据依赖性、特征处理、执行时间、解决问题的方法这几个方面的对比他们之前的区别。
深度学习与机器学习两者主要的区别是在于它们的性能。深度学习的性能对于数据量较少的时候并不理性，因为深度学习算法需要大量数据才能很好理解其中蕴含的模式，接下来我们具体分析下。
（一）机器学习和深度学习概念：
机器学习：目前是人工智能的子领域，也是人工智能的核心。它囊括了几乎所有对世界影响最大的方法(包括深度学习)。机器学习理论主要是设计和分析一些让计算机可以自动学习的算法。
深度学习：属于机器学习的子类。它的更像是类似于人类大脑的工作方式，是利用深度神经网络来解决特征表达的一种学习过程。为了提高深层神经网络的训练效果，研发人员对神经元的连接方法以及激活函数等方面做出了调整。其目的在于建立、模拟人脑进行分析学习的神经网络，使它更像一个人在学习。
（二）机器学习与深度学习的区别：
应用场景：机器学习在指纹识别等领域的应用基本达到了商业化的要求。深度学习主要应用于文字识别、人脸技术、语义分析、智能监控等领域。目前在智能硬件、教育、医疗等行业也在快速布局。
所需数据量：机器学习能够适应各种形式的数据量，数据量较小的时候机器学习优势最大。如果数据量迅速增加，那么深度学习的效果将更加突出，这是因为深度学习算法需要大量数据才能完美理解。
数据依赖性：深度学习与传统的机器学习最大的区别在于随着数据规模的增加其性能也不断增长。
特征处理：特征处理是将领域知识放入特征提取器里面来减少数据的复杂度并生成使学习算法工作的更好的模式的过程。在机器学习中，大多数应用的特征都需要专家确定然后编码为一种数据类型。特征可以使像素值、形状、纹理、位置和方向。
执行时间：执行时间是指训练算法所需要的时间量。一般来说，深度学习算法需要大量时间进行训练。相对而言，机器学习算法的执行时间更少。
解决问题的方法：机器学习算法遵循标准程序以解决问题。它将问题拆分成数个部分，对其进行分别解决，而后再将结果结合起来以获得所需的答案。深度学习则以集中方式解决问题，而不必进行问题拆分。
最后，对于机器学习和深度学习的研究是持续的，机器学习和深度学习方面的研究将在业界和学术界都有爆发式的发展。且拥有比以往更多的资助，更有可能成为人类整体发展的主旋律。
