壹、數據依賴性
深度學習與傳統的機器學習最主要的區別在於隨著數據規模的增加其性能也不斷增長。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的數據來完美地理解它。
三、硬件依賴
深度學習算法需要進行大量的矩陣運算，GPU 主要用來高效優化矩陣運算，所以 GPU 是深度學習正常工作的必須硬件。與傳統機器學習算法相比，深度學習更依賴安裝 GPU 的高端機器。
二、特征處理
特征處理是將領域知識放入特征提取器裏面來減少數據的復雜度並生成使學習算法工作的更好的模式的過程。特征處理過程很耗時而且需要專業知識。
深度學習嘗試從數據中直接獲取高等級的特征，這是深度學習與傳統機器學習算法的主要的不同。基於此，深度學習削減了對每壹個問題設計特征提取器的工作。
例如，卷積神經網絡嘗試在前邊的層學習低等級的特征，然後學習部分人臉，然後是高級的人臉的描述。更多信息可以閱讀神經網絡機器在深度學習裏面的有趣應用。
當應用傳統機器學習算法解決問題的時候，傳統機器學習通常會將問題分解為多個子問題並逐個子問題解決最後結合所有子問題的結果獲得最終結果。相反，深度學習提倡直接的端到端的解決問題。