机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。

　　深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。

　　以上说法来自于百度百科，个人觉得合理，就拿过来用了。

　　两者似乎都是在模拟人类行为，那么有何不同呢？

　　机器学习一般的套路是人去构建特征，然后选定一个模型去训练，最后预测。这其中，特征的选择非常重要，笔者经常听到的声音是：是特征而不是模型会对预测的结果产生较大的影响！出现这种情况的原因是人对要预测的东西本身还不够了解，也可以说是没有发现问题的本质：到底是哪些因素真正影响了预测的结果！这些因素没有被挖掘出来，是不可能构建一个逼真的模型来去模拟现实世界中这些事物（已知数据与未知数据）的内在联系的。

　　深度学习一般指的是深度神经网络，在笔者看来，其与机器学习的不同之处在于不需要人去发现特征，而是直接将数据喂给机器，由机器自主完成归纳与抽象的过程，它避免了人的认知的局限性，这是多么伟大的一个进步！深度学习来源于机器学习却又高于机器学习，这本身就是否定之否定规律的又一次完美实践，我期待着一个新的学习方法能够完成对深度学习的否定，受限于自身经验，下一次的否定不确定是否是一台生物计算机，但笔者坚信，生物计算机必将成为否定之否定规律螺旋上升的逻辑结构中的一环！