1，數據量
機器學習可以適應各種數據，尤其是數據量小的場景。另壹方面，如果數據量快速增加，深度學習的效果會更加突出。下圖是機器學習和深度學習在不同數據量下的效率水平。
2.硬件依賴性
與傳統的機器學習算法相反，深度學習算法在設計上高度依賴高端設備。深度學習算法需要進行大量的矩陣乘法運算，因此需要足夠的硬件資源作為支撐。
3.特色工程
特征工程是將特定領域的知識放入特定特征的過程，旨在降低數據復雜性水平，並生成可用於學習算法的模式。
4.問題的解決方案
傳統的機器學習算法遵循標準的程序來解決問題。它把問題分成幾個部分，分別求解，然後把結果組合起來，得到需要的答案。深度學習以集中的方式解決問題，不需要問題拆分。
5.執行時間
執行時間是指訓練算法所需的時間。深度學習需要大量的時間來訓練，因為它包含的參數更多，所以訓練的時間投入更為可觀。相對來說，機器學習算法的執行時間比較短。
6.可解釋性
可解釋性是機器學習和深度學習算法的主要區別之壹——深度學習算法往往不具備可解釋性。也正因為如此，業界在使用深度學習之前總是三思而行。