机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术，深度学习是机器学习的一种。深度学习与机器学习的主要区别是在于性能。当数据量很少的时候，深度学习的性能并不好，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。
一般人工智能可能会吸引最多的公众关注，但应用人工智能领域却取得了最大的成功，并对行业产生了最大的影响。鉴于应用 AI 的重点性，已经开发出的系统不仅可以复制人类思维过程，而且还能够从他们处理的数据中学习 – 被广泛称为“机器学习”。
1.数据依赖，深度学习与机器学习的主要区别是在于性能。当数据量很少的时候，深度学习的性能并不好，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。
2.硬件支持，深度学习算法严重依赖高端机，而传统的机器学习算法在低端机上就能运行。深度学习需要 GPUs 进行大量的矩阵乘法运算。
3.特征工程，特征工程就是将领域知识输入特征提取器，降低数据复杂度。从时间和专业性来讲，这个过程开销很高。
4.解决方案，通常，我们使用传统的算法解决问题。这需要将问题化整为零，分别解决，得到结果后再将其进行组合。
5.执行时间，由于深度学习中含有非常多的参数，较机器学习而言会耗费更多的时间。机器学习在训练数据的时候费时较少，同时只需几秒到几小时。
6.可解释性
应用场景
计算机视觉：车牌识别，人脸识别
信息检索：搜索引擎，文本检索，图像检索
营销：自动邮件营销，目标识别
医疗诊断：癌症检测，异常检测
自然语言处理：语义分析，照片标记，在线广告投放
展 望
1． 机器学习和数据科学发展势头强劲，对想要生存下来的企业来说，在业务中使用机器学习变得越发重要。
2． 深度学习已被证明是现有技术中最先进的技术之一，它给人们带来了无限多的惊喜，未来仍将如此。
3． 研究学者们仍在不断探索机器学习和深度学习。过去，对于二者的研究仅局限于学术范围，现在工业界也加大了对其的研究力度。
一个例子是图像识别，它越来越成为 AI 领导的领域。系统可以被设计为操纵预先编写的例程，该例程分析图片中的形状，颜色和对象，扫描数百万个图像以便教会自己如何正确地识别图像。
然而，随着这个过程的发展，它很快就变得清晰，机器学习过于依赖于人的提示，如果图像模糊或模糊，则会产生很大的误差。
深度学习已经成为下一代人工智能研究的起点。该术语指的是人工神经网络的构建，其类似于构成人脑的互连神经元。与大脑相比，神经元能够与其附近的任何其他神经元进行对话，这些人工网络是使用层来构建的，这些层创建了数据通过的路径。
这个想法是，一旦一个层完成对正在处理的数据的分析，它就会传递到下一层，在那里可以使用其他上下文信息对其进行重新分析。例如，在设计用于对抗银行欺诈的 AI 系统的情况下，第一层可以分析诸如最近交易的价值之类的基本信息，而第二层然后可以添加位置数据以通知分析。
对于 Google 的 AlphaGo 系统，该系统在 2016 年击败了冠军 Go 玩家，深度学习神经网络由数百个层组成，每个层提供额外的上下文信息。虽然机器学习是一种 AI，但这两个术语之间存在差异。
