简单阐述深度学习与机器学习的差异

深度学习与机器学习的差异性主要表现在以下几个方面：

 1、数据依赖性
深度学习一般需要大量数据用于训练，而机器学习相对于深度学习没有那么大的数据依赖量，在数据相对较少的情况下也适用。
2、硬件依赖
深度学习复杂性更大，处理数据的硬件要求比较高，一般使用GPU并行处理，而机器学习相关模型一般在CPU上就可以完成处理。
3、特征工程
深度学习算法尝试从数据中学习到更加抽象的特征，使得用户不必在做特征提取，例如CNN中：输入一张图片，通过一系列的卷积、池化将会得到一些抽象特征，减少了为每个问题开发新的特征提取器的任务。相反，机器学习相关模型需要人工提取特征，再通过模型进行分类或回归。
4、执行时间
机器学习需要的执行时间远少于深度学习，深度学习参数往往很庞大，需要通过大量数据的多次优化来训练参数。
5、可解释性
深度学习可解释性弱于机器学习，深度学习的大部分工作在于参数的调谐，而这些调谐需要用户进行大量的实验，往往凭用户的经验决定，很难去解释该参数的意义。而在机器学习的相关模型中，可解释性较好，例如逻辑斯蒂回归，模型的参数就能代表变量的重要性程度。

参考：https://www.analyticsvidhya.com/blog/2017/04/comparison-between-deep-learning-machine-learning/