特徵提取方面

二者輸入輸出是一樣的，都是判斷是不是汽車，機器學習需要通過特徵提取 然後再放到分類器中，進行一些演算法 再輸出，而深度學習就沒有特徵提取這一步，而是直接將特徵值放進神經網路，讓他去做，他就能做，分類什麼的。。。

●機器學習的特徵工程步驟是要靠手動完成的，而且需要大量領域專業知識

●深度學習通常由多個層組成，它們通常將更簡單的模型組合在-起，將資料從一層傳遞到另一層來構建更復雜的模型。通過訓練大量資料自動得出模型,不需要人工特徵提取環節。

深度學習演算法試圖從資料中學習高階功能，這是深度學習的一個非常獨特的部分。因此，減少了為每個問題開發新特徵提取器的任務。適合用在難提取特徵的影象、語音、自然語言處理領域。

資料量和計算效能要求

機器學習需要的執行時間遠少於深度學習，深度學習引數往往很龐大，需要通過大量資料的多次優化來訓練引數。

橫座標是資料量縱座標是效能。可以看到，當資料量越大時，機器學習就很平靜，到了某一個地方效能就不會提升，而深度學習資料量越大效能越好。

第一、深度學習需要大量的訓練資料集

第二、訓練深度神經網路需要大量的算力

可能要花費數天、甚至數週的時間，才能使用數百萬張影象的資料集訓練出一個深度網路。所以深度學習通常

●需要強大的GPU伺服器來進行計算

●全面管理的分散式訓練與預測服務

演算法代表

機器學習：

• 樸素貝葉斯、決策樹等

深度學習：

• 神經網路