本文操作环境：Windows7系统、DELL G3电脑
学习和机器学习的区别是什么?
深度学习和机器学习最大的区别就是性能。
机器学习主要是用来让机器拥用智能，可是深度学习则是一种实现机器学习的技术，而深度学习也是机器学习的一种。如果数据量比较少的时候，那深度学习的性能就比较的差，这是由于深度学习算法必须要有大量的数据才可以很好的理解其中的模式。
通常来说人工智能是比较有话题度的，可是现在被人们所熟知还是使用人工智能的领域，并且还给这些领域产生了很大的影响。因为使用人工智能的重点性，已经开发出来的系统除了能够模拟人的思维过程，还可以从处理数据中学习知识，而这种现象就是机器学习。
1.数据依赖，深度学习与机器学习的主要区别是在于性能。当数据量很少的时候，深度学习的性能并不好，因为深度学习算法需要大量数据才能很好理解其中蕴含的模式。
2.硬件支持，深度学习算法严重依赖高端机，而传统的机器学习算法在低端机上就能运行。深度学习需要 GPUs 进行大量的矩阵乘法运算。
3.特征工程，特征工程就是将领域知识输入特征提取器，降低数据复杂度。从时间和专业性来讲，这个过程开销很高。
4.解决方案，通常，我们使用传统的算法解决问题。这需要将问题化整为零，分别解决，得到结果后再将其进行组合。
5.执行时间，由于深度学习中含有非常多的参数，较机器学习而言会耗费更多的时间。机器学习在训练数据的时候费时较少，同时只需几秒到几小时。
而主要的应用场景则是：
计算机视觉：车牌识别，人脸识别。
信息检索：搜索引擎，文本检索，图像检索。
营销：自动邮件营销，目标识别。
医疗诊断：癌症检测，异常检测。
自然语言处理：语义分析，照片标记，在线广告投放。
如果从展望方面来看的话，那则主要是：
1. 机器学习和数据科学发展势头强劲，对想要生存下来的企业来说，在业务中使用机器学习变得越发重要。
2. 深度学习已被证明是现有技术中最先进的技术之一，它给人们带来了无限多的惊喜，未来相信也会如此。
3. 研究学者们仍在不断探索机器学习和深度学习。过去，对于二者的研究仅局限于学术范围，现在工业界也加大了对其的研究力度。
最好的证明就是图像识别，它越来越成为 AI 领导的领域。系统可以被设计为操纵预先编写的例程，该例程分析图片中的形状，颜色和对象，扫描数百万个图像以便教会自己如何正确地识别图像。
