|----------|-------------------|----------------------|
| 特征 | 机器学习 (ML) | 深度学习 (DL) |
| 关系 | 是实现AI的一种方法 | 是机器学习的一个分支 |
| 核心算法 | 包括回归、决策树、SVM等多种算法 | 主要基于深度神经网络 |
| 特征工程 | 通常需要人工设计和提取特征 | 能够自动学习和提取特征 |
| 数据需求 | 在数据量较少时也能工作 | 通常需要海量数据才能发挥最佳性能 |
| 硬件要求 | 普通CPU即可 | 通常需要GPU等高性能计算硬件来加速 |
| 应用领域 | 适用于很多传统预测任务 | 在图像、语音、自然语言等复杂领域表现卓越 |
1. 机器学习 (Machine Learning, ML)
想象一下，你不想为电脑编写一套固定的、明确的指令（比如"如果看到图片里有尖耳朵和胡须，就判断是猫"），而是希望电脑能自己"学会"如何判断。
机器学习就是实现这个想法的技术。它的核心思想是：让计算机从数据中自动学习规律和模式，并利用这些规律对未来的新数据做出预测或决策。
- 工作方式：你给计算机提供大量的"学习材料"（数据），比如成千上万张已经标记好是"猫"或"不是猫"的图片。然后，通过特定的算法，机器会自动在这些图片中寻找猫的共同特征（比如轮廓、纹理、颜色分布等）。学习完成后，当你给它一张全新的图片时，它就能根据之前学到的"经验"来判断这是否是一张猫的图片。
2. 深度学习 (Deep Learning, DL)
深度学习是机器学习中的一种更复杂、更强大 的技术。它的灵感来源于人脑的神经网络结构。
-
核心结构：人工神经网络 (Artificial Neural Network)
-
想象一下人脑中由无数神经元相互连接组成的网络。深度学习就是模仿这种结构，用数学模型搭建了一个由许多"层"（layers）组成的网络。
-
"深度"（Deep）指的就是这个网络的层数非常多。浅层网络可能只能识别一些简单的特征（比如边缘、颜色块），而深层网络可以将这些简单特征组合起来，识别出更复杂的概念（比如眼睛、鼻子，最终组合成一张人脸）。
-
-
与传统机器学习的区别：
-
特征提取自动化：在传统的机器学习中，我们常常需要人类专家先手动定义好哪些特征是重要的（比如，要识别猫，专家需要先告诉机器要关注"爪子"、"胡须"等特征）。这个过程叫做"特征工程"，非常耗时费力。
-
而在深度学习中，特征提取是自动完成的。你只需要把原始数据（比如整张图片）直接"喂"给深度神经网络，它就能自动从最简单的像素点开始，逐层学习，自己找出哪些特征是最有用的。这大大提升了效率和准确性，尤其是在处理像图像、声音和文本这类复杂数据时。
-