深度学习 vs 机器学习：核心差异解析
计算机早期主要执行简单数理逻辑运算。逐渐进化为执行复杂计算、精细问题求解，成世界信息骨干。超越传统计算范畴，意味着计算机需要智能。研究者与计算机工程师转向模仿人类智能。人工智能 (AI) 是致力于创造媲美人类智能的计算系统的计算机科学领域。早期 AI 模型执行复杂逻辑运算。随后开发出更高级技术执行更“智能”任务。AI 领域最常用的两个术语：机器学习与深度学习。本文探讨二者起源、共性与差异。
深度学习与机器学习
机器学习与深度学习均为 AI 子集。深度学习是机器学习的子集。即：所有深度学习都是机器学习，但非所有机器学习都是深度学习。为理解差异，本文中“机器学习”排除深度学习。
机器学习
机器学习分析海量数据理解训练数据集特征。从训练集学到的知识应用到其他数据集做“智能”决策。训练集生成的模型可处理相似数据集产出期望输出。机器学习模型训练数据须标注，开发者须在训练过程中监督调整。除基础计算，统计模型大量用于训练。区分猫狗是 AI 经典例题。机器学习模型训练概览：喂入数千张标注“猫/狗”的图片。训练模型从图像识别区分猫狗及其他物体的特征，用统计技术提取特征。充分训练后喂入未标注图片。若模型能以期望准确率区分猫狗，即为成功模型。
深度学习
深度学习是传统机器学习的进化。人类学习不靠成千上万标注样本，而是自动学习、少需外部验证。深度学习让机器学习更接近此智能学习模式。深度学习模型也需海量数据训练，但用未标注数据。模型自行从数据识别不同元素给出输出。深度学习用复杂数学系统——神经网络学习。含多层不同权重的数学函数。“Deep”即源于这些处理层。
深度学习如何区分猫狗：神经网络喂入大量未标注猫狗图片。网络须自己发现图中有两类动物，再识别区分二者的方式。无需标注数据、无需开发者监督。模型训练成功后，能区分任意数量猫狗图片。
机器学习与深度学习对比
下表快速对比差异（注意：对比中“机器学习”排除深度学习，虽深度学习是其子集）。
| 机器学习 | 深度学习 | |
|---|---|---|
| 训练数据 | 标注数据 | 未标注数据 |
| 监督方式 | 监督学习 | 无监督学习 |
| 核心技术 | 统计技术为主 | 高阶数学函数(神经网络) |
| 数据量需求 | 相对较少 | 极大体量 |
| 准确率 | 相对较低 | 大数据量下更高 |
| 训练时间 | 相对较短 | 极长 |
深度学习的工业应用
两者均有工业应用。深度学习可覆盖机器学习所有应用场景。但深度学习需更高专业门槛、更大数据量、更强算力、更长时间。多重因素下二者选择需权衡。需更高准确率时首选深度学习，但需海量数据与漫长训练。机器学习算法足以应对大多数常规场景。问题复杂度也是考量：复杂度越高，深度学习优势越大。但无绝对界限。例：分析预测工厂能耗，机器学习足矣；构建自动化质检系统，机器学习不足，需深度学习。当前工业界机器学习普及度远高于深度学习。但随深度学习模型改进、实施成本降低、准入门槛减少、算力更廉价易得，工业界深度学习采纳率将随时间上升。
物联网技术