深度
- 数据经过深层网络后，语义信息表征能力强，对几何细节信息表征能力弱。
数据依赖性
- 深度学习算法需要大量的数据来训练，而传统的机器学习使用制定的规则。
- 所以，当数据量少时，深度学习的性能差于机器学习；当数据量大时则反之。
硬件依赖性
- 深度学习算法需要用大量的数据进行矩阵运算，GPU可以高效地进行矩阵运算。所以好的GPU是深度学习的前提。
特征处理
- 机器学习中，大多数的特征都需要人为地处理成一种特定的数据格式。这需要一定的工作量。
- 深度学习中，直接将原始数据输入模型，运算得到结果。即端对端。
训练时间
- 深度学习的参数量很大，数据量很大，需要半天到几周的训练时间
- 机器学习占时较少，几分钟到几小时。
可解释性
- 我们可能无法解释某个深度学习算法为什么能取得好的效果，它的节点做了什么事情。
- 机器学习的决策树、线性回归、逻辑回归等算法都有足够的解释。