深度学习和机器学习不同点在哪

深度学习和机器学习的不同主要体现在以下因素有哪些：

1. 算法复杂度：深度学习是机器学习的一个分支，它使用神经网络模型进行学习和推断。与传统的机器学习算法相比，深度学习算法具有更高的算法复杂度。深度学习模型通常包括多层神经网络，每层都有大量的参数需要训练，因此需要更多的计算资源和时间。

2. 特点提取：在机器学习中，需要手动选择和提取特点，以便将输入数据转换为算法可以处理的情势。而在深度学习中，模型可以自动学习输入数据的特点表示，无需手动进行特点提取。这使得深度学习在处理复杂的、高维度的数据上更具优势，例如图象、语音和自然语言处理等领域。

3. 数据需求：深度学习通常需要大量的训练数据才能获得良好的性能。由于深度学习模型的复杂性，它需要更多的数据来训练模型以免过拟合。相比之下，传统的机器学习算法常常可以在相对较少的数据上获得较好的效果。

4. 解释性：深度学习模型通常被认为是黑盒模型，其内部的决策进程不容易解释和理解。相比之下，一些传统的机器学习算法（如决策树和逻辑回归）可以提供更直观和可解释的结果。

虽然存在这些不同，深度学习和机器学习都是人工智能领域的重要组成部份，在区分的利用场景下都有自己的优势和适用性。