特征提取方面
二者输入输出是一样的，都是判断是不是汽车，机器学习需要通过特征提取 然后再放到分类器中，进行一些算法 再输出，而深度学习就没有特征提取这一步，而是直接将特征值放进神经网络，让他去做，他就能做，分类什么的。。。
●机器学习的特征工程步骤是要靠手动完成的，而且需要大量领域专业知识
●深度学习通常由多个层组成，它们通常将更简单的模型组合在-起，将数据从一层传递到另一层来构建更复杂的模型。通过训练大量数据自动得出模型,不需要人工特征提取环节。
深度学习算法试图从数据中学习高级功能，这是深度学习的一个非常独特的部分。因此，减少了为每个问题开发新特征提取器的任务。适合用在难提取特征的图像、语音、自然语言处理领域。
数据量和计算性能要求
机器学习需要的执行时间远少于深度学习，深度学习参数往往很庞大，需要通过大量数据的多次优化来训练参数。
横坐标是数据量纵坐标是性能。可以看到，当数据量越大时，机器学习就很平静，到了某一个地方性能就不会提升，而深度学习数据量越大性能越好。
第一、深度学习需要大量的训练数据集
第二、训练深度神经网络需要大量的算力
可能要花费数天、甚至数周的时间，才能使用数百万张图像的数据集训练出一个深度网络。所以深度学习通常
●需要强大的GPU服务器来进行计算
●全面管理的分布式训练与预测服务
算法代表
机器学习：
- 朴素贝叶斯、决策树等
深度学习：
- 神经网络