1、数据量

机器学习处理不同数量的数据，主要用于少量数据。另一方面，如果数据量迅速增加，深度学习就能有效地工作。下图描述了机器学习和深度学习在数据量方面的工作：

2、硬件依赖性

与传统机器学习算法相反，深度学习算法的设计严重依赖高端机器。深度学习算法执行大量的矩阵乘法运算，需要大量的硬件支持。

3、特征工程学

特征工程学是将领域知识放入指定的特征中，以降低数据的复杂性，使模型对学习算法可见的过程。

例如，传统的机器学习模式专注于像素和其他特征工程过程所需的属性。深度学习算法专注于数据的高级特征。它减少了针对每个新问题开发新的特征提取器的任务。