深度学习是特定类型机器学习的特定变种。所以有可能在不学习所有机器学习的情况下学习深度学习，但它需要学习一些机器学习（因为它是一些机器学习）。

机器学习是指任何专注于教机器如何从大量训练数据中学习统计参数的技术。一种特殊类型的机器学习是人工神经网络，它学习非线性变换网络，可以逼近大量输入变量的非常复杂的函数。人工神经网络的最新进展与如何训练深度神经网络有关，深度神经网络具有比正常更多的层，并且还具有特殊的结构来应对学习更多层的挑战。

深度学习是机器学习的一种形式。

深度学习是指使用深度神经网络进行学习，本质上是具有多层的网络。

神经网络是多种机器学习形式中的一组：

• 神经网络
• 决策树和随机森林
• 支持向量机
• 贝叶斯方法
• k-最近邻

首先，在大多数情况下，机器学习实际上是指 传统/经典机器学习，而深度学习具体是指多层神经网络，而神经网络 是机器学习方法之一。

其次，机器学习尤其是监督机器学习需要工程师手动设计和预定义特征，这些特征用于以数字方式表示数据。比如我们可以用眼睛的数量、腿的数量和头的数量来表示动物。数据 [2,4,1] 代表一只有 2 只眼睛、4 条腿和 1 个头的动物。在这个场景中，特征是我们提取出来的，因为我们有动物的知识，我们认为这些特征可以代表动物。然而，深度学习不是手工制作特征，而是自动学习特征。

第三，当有人说机器学习时，他说的是算法，例如朴素贝叶斯，决策树，线性回归等。但是，深度学习更多地与框架和架构有关，例如RNN，CNN，Transformer等。

第四，在不了解机器学习的情况下也可以开始深度学习，像吴恩达的课程这样的互联网资源通常涵盖了你在深度学习中应该知道的大部分主题。试试搜索Andrew Ng，我觉得他真的很棒！

当我开始学习机器学习时，书中的章节曾经看起来像这样

• 一）监督：

  1. 回归

     • 线性模型

  2. 分类

     • 逻辑回归
     • 神经网络
     • 决策树和随机森林
     • 提升和装袋
     • SVD 和 SVM

• II）无监督学习：

  1. 聚类

     • K-均值
     • 分层的
     • 高斯混合模型
     • 数据库扫描

  2. 联想学习。

• III) 强化学习：

突然之间，第 I>2>b 章创建了一个自己的子字段。要知道为什么，让我告诉你一些历史。Machine learningArthur Samuel 在 1959 年创造了这个词来表示这一点，而machines were able to learn from data不是明确的指示。最初，它根据方法是否需要标签数据（即回归、分类）分为两组，然后他们意识到我们也可以通过聚类进行分类，从而产生无监督。单词强化学习是在博弈论领域的启发下诞生的。让我们把这些细节放在一边，以备后用。

谈到深度学习，这个词deep learning是最近才出现的，最近一次是在 2008 年的 Geoff Hinton 会议上。人们开始用它来表示 Geoff Hinton 发表的一篇论文中使用的非常深的神经网络架构，从那时起，它就成为了一种新的机器学习分类方法supervised，unsupervised或者reinforcement。（光盘：可能有奇怪的参考在此之前将 NN 称为 DL，但在此之前不那么流行和可接受）

嗯，我有时觉得这个名字deep learning有点用词不当，如果它被命名为neural learning或者强调深度可能会更好deep neural learning。如果您是新手，您可能想知道我在说什么深度，整个词深度来自于神经网络（感谢 GPU 的高处理能力的可用性）现在能够在多个层上成功训练的事实。深度这个词也可以松散地用于包括机器学习的其他非神经网络领域，这些领域需要大量计算，如deep belief net或recurrent net。准确地说，今天的网络单位不再仅仅是 aneuron或 a perceptron，它可以是LSTM或GRUa capsule，所以我想deep现在这个词比以前更有意义。