假定大家都明白机器学习是什么 。你可能认为深度学习是机器学习的一个子集，想知道深度学习有哪些新颖之处 。
答案是深度学习既是机器学习的子集又不是机器学习的子集 。
简要概括一下机器学习：
机器学习属于计算机科学，是使用统计学或数学技术从利用观察到的数据构建模型或系统，而不是用户输入定义该数据模型的特定指令集 。
这个名字看起来比较高大上，但有时候基本的机器学习跟线性回归一样简单 。复杂一点的例子是用户邮箱中的垃圾邮件检测器，虽然用户从来不对每种类型的电子邮件发出指示 ， 但垃圾邮件检测器会“学习”哪些电子邮件是垃圾邮件 。
笼统地说，这些算法最常用于从原始数据中提取精确特征集 。特征可以非常简单，例如图像的像素值、信号的时间值 ， 也可以复杂 ， 例如文本的词袋特征表示 。大多数已知的机器学习算法跟表示数据的特征一样好用 。正确的特征识别是准确代表所有数据的状态的关键一步 。
特征提取器的伟大之处在哪里？
正确的特征提取器本身就有很高的科技含量 。大多数数据特征提取器在功能和实用性上都非常特殊 。例如：进行面部检测所需的特征提取器要具备能够正确地表示面部组成、抵抗空间像差等功能包括 。每种类型的数据和任务都有其的特征提取类别 ， 例如语音识别和图像识别 。
然后可以使用这些特征提取器来提取给定样本的正确数据特征 ， 并将该信息传递给分类器或预测器 。
深度学习跟机器学习有哪些不同？
深度学习是广义的机器学习的一部分，它试图学习给定数据的高级特征 。因此，深度学习所解决的问题是减少为每种类型的数据（语音、图像等）制作新的特征提取器的个数 。
再举个例子，给深度学习分配识别图像的任务，深度学习算法会试着学习诸如双眼之间的距离、鼻子的长度等特征，然后用这些信息进行分类、预测等任务 。这也是深度学习算法比之前的“浅度学习算法”更为先进之处 。
【深度学习和普通的机器学习有什么区别】
简而言之：
如果你写下如下的公式： F(1,2,3…….,100) = 5050 如果把这个公式输入到机器学习算法，那么机器学习算法就会像个孩子一样立即把它理解为等号右边是等号左边所有数字的和 。再给机器学习一串新的数字F（1,2,3 …….，500） ， 机器学习就会把括号里面的所有500个数字累加起来求和 。
但深度学习算法会像卡尔·弗雷德里希·高斯一样，把这串数字倒过来，就会发现两列数字的第i个数字之和始终是相同的，最后再进行总体求和 。
首先来看一下机器学习的概念，我们提供给电脑样例数据，电脑通过一定的模型自己学习出相应的规则，并且这些规则可以随着数据的输入不断调整 。而深度学习，则是一种十分有效的机器学习方法 。
现在的深度学习主要指的是深度神经网络 。神经网络形式上就是一个分层的网络结构，它其实是对神经元链接形式上的一种模拟，并不是真正的去建立一个人脑一样的结构，因为大脑太复杂了，我们现有的对大脑的了解还远远不足以让我们模拟一个大脑出来 。所以它主要依赖的是数学，而不是神经科学 。
深度学习使机器更加聪明，带给我们更加智能的服务 。比如说，通过视觉获取和处理图像、通过声音讲出语言是人类最自然的与外界沟通的方式，但传统的计算机服务却无法从本质上读懂我们这些内容，当我们进行图像搜索或者向计算机发送某项指令时，我们需要预先在大脑中做一遍处理，将我们原本要表达的意思转化成计算机能够读懂的文本信息，然后手动输入到计算机并获得结果 。但在机器学习的帮助下，我们随意把一张图片丢给电脑就能返回结果，我们直接用语言就可以来命令计算机来为我们提供各种服务 。
这里给想学习人工智能深度学习的同学 ， 推荐一下中公教育的深度学习直播课 。课程由中科院自动化所人工智能专家倾力研发，将从实际的科研工程项目中，截取8个典型任务，带领学员体验系统架构设计、关键算法选取、核心模块开发、识别效果测试等实际项目建设的全流程，并重点掌握核心AI模块的开发环节，使学员在结业后能够直接上手从事技术岗位工作，无需二次熟悉 。
同时中公教育深度学习课程技术紧跟市场需求，落地领域宽泛，不限于语音识别、图像识别、机器对话等前沿技术，涵盖行业内75%技术要点，满足各类就业需求，助力跻身人工智能领域优秀人才 。
