机器学习：使用算法来解析数据、从中学习，然后对真实世界的事件做出决策和预测。即用数据来训练，通过算法从数据中学习如何完成任务。
机器学习实现技术的分类如下图所示：
传统的机器学习算法在指纹识别、人脸检测、物体检测等领域的应用基本达到了商业化的要求或者特定场景的商业化水平。但是出现了数据表达和特征提取的问题（常常需要人工提取特征），为了进一步发展提出了深度学习。
深度学习可以自动学习特征和任务之间的关联，还能从简单特征中提取复杂特征。最初的深度学习是利用深度神经网络（DNN）（超过三层的神经网络模型）来解决特征表达的一种学习过程。深度神经网络本身并不是一个全新的概念，可以大致理解为包含多个隐含层的神经网络结构。过程大致为：初始权重值随机，利用损失函数作为依据进行训练循环调整，直至找出合适权重。
传统机器学习和深度学习的主要区别：
1、学习的东西不一样
传统机器学习学到的是一系列设定好的指标的参数，指标如边缘信息、纹理信息等，给这些参数设定权重送入系统中训练，返回最优参数。所以传统机器学习学到的是一些较为具体的指标的参数，通常需要建立模型一步一步解决问题。（将问题拆分成数个部分，对其进行分别解决，再将结果结合起来获得所需答案）
深度学习是一种模糊的学习方式，机制是一个黑匣子，无法回答学习的一整个过程是在学习哪个指标，它学到的是一个整体特征。正如人脑神经网络有大量神经元复杂交错连接在一起传递电信号，深度学习的神经网络多层结构也是有很多节点来模仿神经元的功能传递信息，集中解决问题。
2、所需数据量和训练机制不同
传统机器学习适应各种数据量，尤其是数据量较小场景。当数据量到达某一程度时，传统机器学习的性能趋于稳定，此时输入再多数据，模型已经总体平稳。
若数据量迅速增加，深度学习的效果更为突出。对深度学习而言，送入数据量越多，系统就能学到更多需要的信息，更好理解信息的含义和内容并进行预测和判断。当然过，多数据量只会带来超长运算时间，越往后对性能提升微乎其微。
3、测试机制不同
传统机器学习需要将每个测试的数据进行和训练时类似的计算步骤，测试耗时长。相比较，深度学习测试时效率较高。
4、可解释性/可修改性不同
传统机器学习学到的是比较具体的信息一般有具体的物理含义，往往能够通过过程解释模型效果的好坏。可以根据特定的功能实现需求，针对性地调整模型的某个部分。
深度学习学到的是无法描述的数据信息，无法判断哪里出了问题使得结果变好还是变坏，大多根据经验调整模型。
（专设和毕设都和机器学习/深度学习有关(●′ω`●) 至于为什么这么有意识整理一下，这就要感谢我学校的毕设老师闹的小乌龙了ㄟ(◑‿◐ )ㄏ）