如果深度学习是机器学习的一个子集，那么它们有什么区别？ 深度学习与经典的机器学习的不同之处在于其使用的数据类型和学习方法。

机器学习算法利用结构化的标记数据进行预测，即从模型的输入数据来定义特定特征并将其组织加入表格。 这并不一定意味着它不使用非结构化数据；而是在使用非结构化数据时，通常会经过一些预处理以将其组织成结构化形式。

深度学习可消除一部分与机器学习相关的数据预处理过程。 这些算法可以提取和处理非结构化数据，如文本和图像， 还可以自动提取特征，消除一些对专家的依赖。 例如，假设我们有一组不同宠物的照片，我们想按"猫"、"狗"、"仓鼠"等进行分类。 深度学习算法可以确定哪些特征（例如耳朵）对于区分一种动物和另一种动物最为重要。 在机器学习中，这种特征层次结构由专家手动建立。

然后，通过梯度下降和反向传播的过程，深度学习算法调整并适应准确性，以更高的准确度预测新的动物照片。  

机器学习和深度学习模型也能够进行不同类型的学习，通常分为受监督学习、无监督学习和强化学习。 受监督学习利用标记的数据集进行分类或预测；这需要某种人为干预来正确标记输入数据。 相比之下，无监督学习不需要标记的数据集，而是检测数据中的模型，并按区分特征进行收集。 在强化学习过程中，模型学习在基于反馈的环境中更准确地执行操作，以获得尽可能多的奖励。

要更深入了解不同技术之间的细微差别，请参阅"AI vs. 机器学习 vs. 深度学习 vs. 神经网络：有什么区别？ "

为进一步了解监督式学习和未受监督的学习，查看"监督学习与无监督学习：有什么区别？ "