机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL）的关系，可以理解为 “包含与被包含”：
深度学习是机器学习的一个子领域，但二者在方法、数据需求、应用等方面存在明显区别。
1. 定义层面
- 机器学习
通过算法让计算机从数据中学习规律，进而对新数据进行预测或分类。它强调特征工程，需要人类专家提取或选择合适的特征。
代表算法：决策树、支持向量机（SVM）、随机森林、KNN、朴素贝叶斯等。 - 深度学习
基于人工神经网络（尤其是多层神经网络）的一类方法，利用多层结构自动从数据中学习特征。
代表模型：卷积神经网络（CNN）、循环神经网络（RNN）、Transformer、BERT、GPT 等。
2. 特征处理
- 机器学习：需要人工进行特征提取。例如在图像识别中，需要人为提取边缘、角点、纹理等特征再送入模型。
- 深度学习：通过多层神经网络端到端地从原始数据（像素、语音波形、文本序列）直接学习特征，不需要人工特征工程。
3. 数据需求
- 机器学习：对数据量要求相对较低，在小样本任务中依然有效。
- 深度学习：依赖大规模数据才能发挥优势（如数百万张图像、海量语料），否则容易过拟合。
4. 计算资源
- 机器学习：计算量较小，普通 CPU 就能训练。
- 深度学习：依赖高性能 GPU/TPU，因为神经网络参数众多、计算复杂。
5. 应用场景
- 机器学习：金融风控（信用评分）、医学诊断小数据集、推荐系统早期阶段。
- 深度学习：计算机视觉（人脸识别、目标检测）、自然语言处理（机器翻译、聊天机器人）、语音识别、自动驾驶。
6. 总结对比表
| 方面 | 机器学习 (ML) | 深度学习 (DL) |
|---|---|---|
| 范畴 | 人工智能子领域 | 机器学习子领域 |
| 特征提取 | 依赖人工特征工程 | 自动特征学习（端到端） |
| 数据量需求 | 较小数据集即可 | 需要大量数据 |
| 计算资源 | CPU 即可 | GPU/TPU，高计算需求 |
| 表达能力 | 相对有限 | 强大，能处理复杂非线性关系 |
| 应用场景 | 金融、预测、推荐、小样本 | 图像识别、语音、NLP、自动驾驶 |
打个简单的比方：
机器学习像“学生 + 老师”：老师先帮学生挑选重点知识点（特征），学生再去做题。
深度学习像“自学高手”：直接读整本书（原始数据），自己总结出学习方法。