深度学习和机器学习有什么区别？

谢邀~

机器学习（Machine Learning）是一门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的学科。而深度学习是机器学习的一个子领域，受大脑神经网络的结构和功能启发而创造的算法。其主要就是一个多层的神经网络，从统计学上来说，深度学习就是在预测数据的分布，从数据中学到一个模型后，再通过这个模型去预测新的数据，其中要求训练数据与预测数据必须是同分布的。

现有机器学习算法通常分为有监督学习算法和无监督学习算法。在有监督学习算法中不仅把训练的数据输入给计算机，同时还把数据的标签也一并作为输入传给计算机，计算机进行学习之后，再给它传进新的未知的数据，它也能计算出该数据属于某种结果的概率，最后给你一个最接近正确的结果。由于计算机在学习的过程中不仅有训练数据，而且还有结果（标签），因此训练的效果往往都不错。与有监督学习不同的是，无监督学习的输入数据只有原始数据，没有标签，因此计算机无法准确地知道哪些数据属于哪些类，只能凭借强大的计算能力分析数据的特征，从而得到一定的成果，通常得到的是一些集合，集合内的数据在某些特征上相同，或相似。

而我们所说的深度学习大多数情况下指的就是神经网络，现代神经网络是一种非线性统计性数据建模工具。典型的神经网络具有以下三个部分：

结构（Architecture）：结构指定了网络中的变量和它们的拓扑关系。例如，神经网络中的变量可以是神经元连接的权重（weights）和神经元的激励值（activities of the neurons）。

激励函数（Activity Rule）：大部分神经网络模型具有一个短时间尺度的动力学规则，来定义神经元如何根据其他神经元的活动来改变自己的激励值。一般激励函数依赖于网络中的权重（即该网络的参数）。

学习规则（Learning Rule）：学习规则指定了网络中的权重如何随着时间推进而调整。这一般被看做是一种长时间尺度的动力学规则。一般情况下，学习规则依赖于神经元的激励值。它也可能依赖于监督者提供的目标值和当前权重的值。

通常一个简单的神经网络包含3部分：输入层、隐含层和输出层。一般输入层和输出层的节点是固定的，隐含层可以自由指定，图1是一个简单的神经网络结构示意图，图中的圆圈代表神经元，箭头代表数据的流向，每根连线上面都对应一个不同的权重，权重是网络通过学习自己得到的。

图1 简单神经网络结构图

每一个神经元都包含了输入、输出以及计算模型3个部分，可以把神经元看成一个计算与存储单元，计算是神经元对其的输入进行计算功能。存储是神经元会暂存计算结果，并传递到下一层。如图2所示是一个典型的神经元模型，包含3个输入，1个输出以及1个计算功能。

图2 神经元结构图

其中a表示输入，w表示权值，一个表示连接的有向箭头可以这样理解：在初端，传递的信号大小仍然是a，端中间有加权参数w，经过这个加权后的信号会变成a*w，因此在连接的末端，信号的大小就变成了a*w。在神经元处加权信号求和通过函数f就得到了输出Z,公式如下：

事实上，为了使神经元取得更好的效果，通常对每一个输入进行加权之后都会加上一个偏置b，此时Z的计算公式如下：

其中函数f又称为激活函数，常见的激活函数有sigmoid函数、tanh函数和ReLU函数等。