首先知道这几个概念：
- Artificial Intelligence（AI，人工智能）
- Machine Learning（ML，机器学习）
- Deep Learning（DL，深度学习）
其中，深度学习（Deep Learning, DL）是机器学习（Machine Learning, ML）的一个子领域。
两者的核心区别在于：
- 机器学习（ML）：依赖人工特征工程
- 深度学习（DL）：通过神经网络自动学习特征
什么时候用 ML，什么时候用 DL呢?
可以用一个简单原则概括：
小数据 + 强特征 → 机器学习（ML）
大数据 + 复杂数据 → 深度学习（DL）
稍微展开：
适合使用机器学习（ML）的情况：
- 数据量较小
- 特征具有明确物理或统计意义
- 任务较简单（分类、回归）
- 需要较强可解释性
适合使用深度学习（DL）的情况：
- 数据量较大
- 数据结构复杂（图像、语音、时序等）
- 特征难以人工设计
- 更关注模型精度
在科研或工程中，更推荐：
- 先用机器学习模型做 baseline（如 Random Forest、XGBoost）
- 再用深度学习模型提升性能
- 最终通过对比实验选择最优模型
模型选择没有固定答案，本质是根据数据和任务做权衡。