如果深度学习是机器学习的一个子集，那么它们有何不同？深度学习与经典机器学习的区别在于它所使用的数据类型和学习方法。

机器学习算法利用结构化、标记的数据进行预测，这意味着特定的特征是根据模型的输入数据定义的，并组织到表格中。这并不一定意味着它不使用非结构化数据；这只是意味着，如果确实如此，它通常会经过一些预处理以将其组织成结构化格式。

深度学习消除了机器学习通常涉及的一些数据预处理。这些算法可以摄取和处理非结构化数据，例如文本和图像，并且可以自动提取特征，从而消除对人类专家的一些依赖。例如，假设我们有一组不同宠物的照片，我们想按“猫”、“狗”、“仓鼠”等进行分类。深度学习算法可以确定哪些特征（例如耳朵）对于区分每种动物最重要。在机器学习中，这种特征层次结构是由人类专家手动建立的。

然后，通过梯度下降和反向传播的过程，深度学习算法会调整并适应自身的准确性，从而能够以更高的精度对动物的新照片进行预测。  

机器学习和深度学习模型也能够进行不同类型的学习，通常分为监督学习、无监督学习和强化学习。监督学习利用标记数据集进行分类或做出预测；这需要某种人工干预来正确标记输入数据。相比之下，无监督学习不需要标记数据集，而是检测数据中的模式，并通过任何显着特征对它们进行聚类。强化学习是一个模型学习如何根据反馈在环境中更加准确地执行操作以最大化奖励的过程。

要更深入地了解不同技术之间的细微差别，请参阅“人工智能、机器学习、深度学习、神经网络：有什么区别？”

要详细了解监督学习和无监督学习之间的具体差异，请参阅“监督学习与无监督学习：有什么区别？”