2.深度學習的主要特點是使用深度神經網絡:深度卷積網絡、深度循環網絡、遞歸網絡等。
區別在於:
1，算法層面沒有相似之處。堅持相似可能是每個人的函數都在擬合高維函數。
2.普通機器學習擅長分析維度低、可解釋性強的任務。比如數據挖掘和推薦算法。他們的特點是收集的數據維度普遍不高。以廣告推送任務為例，壹般分析的數據維度只會包括性別、年齡、學歷、職業等。說明性很強，參數調整方向明確。
3.深度學習算法擅長分析高維數據。如圖像、語音等。以壹張圖片為例，壹張圖片可能有幾千萬個像素，相當於幾千萬個特征向量維數，像素之間的關系不是特別明顯。這時候卷積神經網絡可以有效的處理這個問題，基本上可以準確的捕捉到畫面的特征。但是各個維度的解釋力很弱，參數調整的方向很不明確(神經元個數，隱含層數等。)
綜上所述，兩者區別很大。深度學習是近幾年才發展起來的。傳統的機器學習算法大多來源於概率論和信息學。對於編程來說，傳統的機器學習模型基本集成在sklearn包中，深度學習可以使用tensorflow作為框架。
如果妳想了解更多，妳可以閱讀李航的統計學原理或周誌華的機器學習(也叫西瓜書)。深度學習是近兩年才發展起來的，因為相關書籍很少。可以查壹下這兩年關於深度學習的論文。
當然兩者都需要紮實的數學基礎，主要是這三本書:線性代數或高等代數，高等數學或數學分析，概率論或隨機過程。
謝謝妳