深度学习和通常的机器学习有什么区别？

深度学习和传统机器学习之间的主要区别在于用于学习和从数据进行预测的架构和方法。

传统机器学习：

1.特征工程：在传统的机器学习中，特征工程是关键的一步。它涉及从原始数据中选择和设计相关特征（输入变量）。然后使用这些特征来训练机器学习模型。

2.算法：传统的机器学习算法包括决策树、随机森林、支持向量机、k近邻以及各种回归和分类算法。这些算法通常需要手动调整超参数。

3.特征解释：传统的机器学习模型可以提供对特征重要性的洞察，并有助于模型的可解释性。

深度学习：

1.特征学习：深度学习专注于直接从原始数据中学习特征。它通过多层人工神经网络自动提取数据的层次表示。这消除了大量手动特征工程的需要。

2.神经网络：深度学习严重依赖人工神经网络，人工神经网络由互连节点（神经元）层组成。每一层都会处理和转换数据，随着网络深度的增加，可以学习越来越抽象的特征。

3.模型复杂性：由于其深层架构，深度学习模型本质上比传统机器学习模型更复杂。这种复杂性使得深度学习模型能够捕获大型复杂数据集中的复杂模式和关系。

4.非结构化数据：深度学习擅长处理图像、音频、文本和视频等非结构化数据类型。卷积神经网络 (CNN) 用于图像处理，循环神经网络 (RNN) 用于序列处理，Transformer 用于自然语言处理。

5.自动特征提取：深度学习模型自动从数据中学习相关特征，当有大量可用数据时，这可以带来卓越的性能。

6.黑匣子：与传统的机器学习模型相比，深度学习模型通常被认为更难以解释。它们可以被视为“黑匣子”，使得理解导致特定预测的确切特征或模式变得更加困难。

深度学习是机器学习的一个子领域，专注于使用多层神经网络直接从原始数据中自动学习复杂的模式和表示。传统的机器学习涉及手动特征工程，并且通常使用可能无法像深度学习模型那样捕获复杂关系的算法。