机器学习： 机器学习是人工智能 (AI) 的一个子集，它为系统提供了从经验中学习和改进的能力，而无需编程到该级别。机器学习使用数据来训练并找到准确的结果。机器学习专注于开发访问数据并使用它从自身学习的计算机程序。
深度学习： 深度学习是机器学习的一个子集，其中人工神经网络和循环神经网络相互关联。这些算法的创建与机器学习完全一样，但它包含更多级别的算法。该算法的所有这些网络统称为人工神经网络。用更简单的术语来说，它就像人脑一样复制，因为所有的神经网络都连接在大脑中，这正是深度学习的概念。它借助算法及其过程解决了所有复杂的问题。
下面是机器学习和深度学习之间的区别：
| 机器学习 | 深度学习 |
|---|---|
| 机器学习是深度学习的超集 | 深度学习是机器学习的子集 |
| 与深度学习相比，机器学习中表示的数据完全不同，因为它使用结构化数据 | 深度学习中使用的数据表示完全不同，因为它使用神经网络(ANN)。 |
| 机器学习是人工智能的演进 深度学习是机器学习的演进。 | 基本上它是机器学习的深度。 |
| 机器学习由数千个数据点组成。 | 大数据：数百万个数据点。 |
| 输出：数值，如乐谱分类 | 从数值到自由形式元素的任何内容，如自由文本和声音。 |
| 使用各种类型的自动化算法，这些算法可以转换为模型函数并根据数据预测未来的行动。 | 使用神经网络通过处理层传递数据来解释数据特征和关系。 |
| 数据分析师检测算法以检查数据集中的特定变量。 | 算法一旦投入生产，就在很大程度上是对数据分析的自我描述。 |
| 机器学习被高度用于留在竞争中并学习新事物。 | 深度学习解决了复杂的机器学习问题。 |
| 由于体积小，它的模型训练时间更短。 | 由于非常大的数据点，需要花费大量时间。 |
| 人类明确地进行特征工程。 | 不需要特征工程，因为神经网络会自动检测重要特征。 |
| 一个 ML 模型区域的结果易于解释。 | 深度学习的结果很难解释。 |
