機器學習和深度學習之間的 5 個主要區別：
1. 人為幹預
對於機器學習系統，人類需要根據數據類型（例如，像素值、形狀、方向）識別並手動編碼應用特征，而深度學習系統則試圖在沒有額外人工幹預的情況下學習這些特征。以面部識別程序為例。此程序首先會學習檢測識別人臉的邊緣和線條，然後是人臉的更重要部分，最後是人臉的整體樣貌。這樣做會涉及到大量數據，隨著時間的推移和程序自我訓練，正確答案（即準確識別面部）的概率會逐漸增加。這種訓練是通過使用神經網絡進行的，類似於人腦的工作方式，不需要人類重新編程。
2. 硬件
由於要處理的數據量和所用算法中涉及的數學計算的復雜性不同，深度學習系統需要比簡單的機器學習系統更強大的硬件。用於深度學習的壹種硬件是圖形處理單元 (GPU)。機器學習程序可以在沒有那麽多計算能力的低端機器上運行。
3. 時間
正如我們所了解的，由於深度學習系統需要龐大的數據集，而且它涉及的參數和數學公式非常之多，因此深度學習系統會需要大量訓練時間。機器學習可能需要幾秒鐘到幾個小時，而深度學習可能需要幾個小時到幾周的時間！
4. 方法
機器學習中使用的算法傾向於對不同部分進行數據解析，然後將這些部分組合起來從而得出結果或解決方案。深度學習系統壹次解決整個問題。例如，妳想用壹個程序來識別圖像中的特定對象（它們是什麽以及它們所在的位置——例如停車場汽車上的車牌），妳必須通過機器學習完成兩個步驟：首先是物體檢測，然後是物體識別。而使用深度學習程序，妳只需要輸入圖像，通過訓練，程序將在壹個結果中返回識別的對象及其在圖像中的位置。
5. 應用
通過上述差異，妳可能已經意識到機器學習和深度學習系統會用於不同的應用程序。使用地點：基本的機器學習應用程序包括預測程序（例如預測股票市場的價格或下壹次颶風襲擊的時間和地點）、垃圾郵件標識符以及為醫療患者設計循證治療計劃的程序。除了上面提到的 Netflix、音樂流媒體服務和面部識別的例子之外，深度學習另壹個廣為人知的應用領域便是自動駕駛汽車——該程序使用多層神經網絡來做壹些事情，比如確定要避開的物體、識別交通燈並知道何時加速或減速。