深度學習與傳統機器學習的主要區別在於，它的性能隨著數據規模的增大而提高。當數據很少時，深度學習算法的性能並不好。這是因為深度學習算法需要大量數據才能完美理解。
第三，硬件依賴
深度學習算法需要大量的矩陣運算，而GPU主要用於高效優化矩陣運算，所以GPU是深度學習正常工作的必要硬件。與傳統的機器學習算法相比，深度學習更依賴於配有GPU的高端機器。
第二，特征處理
特征處理是將領域知識放入特征提取器中的過程，以降低數據的復雜性，並生成使學習算法工作的更好的模式。特征處理比較耗時，需要專業知識。
深度學習試圖直接從數據中獲取高層特征，這是深度學習與傳統機器學習算法的主要區別。基於此，深度學習減少了為每個問題設計特征提取器的工作。
比如卷積神經網絡，在前面壹層嘗試學習底層特征，然後學習壹些人臉，然後描述高級人臉。更多信息請閱讀神經網絡機器在深度學習中的有趣應用。
在使用傳統的機器學習算法解決問題時，傳統的機器學習通常會將問題分解成多個子問題並逐壹求解，最後將所有子問題的結果組合起來得到最終結果。相反，深度學習提倡直接端到端的問題解決。