深度学习是机器学习的一个子集，而机器学习本身又是人工智能 (AI) 的一个分支。 AI 指的是旨在执行通常需要类似人类智能的任务的系统，例如推理、问题解决或感知。 机器学习侧重于使系统能够在没有明确编程的情况下从数据中学习模式的算法。 深度学习通过使用具有多个层（因此称为“深度”）的人工神经网络来对数据中的复杂模式进行建模，从而更进一步。 本质上，深度学习是更广泛的 AI 工具包中的一种工具，专门用于处理大规模、高维数据，如图像、音频或文本。
一个关键的区别在于这些方法如何处理数据。 传统的机器学习通常依赖于手工制作的特征——例如，使用边缘检测器进行图像分类或使用特定的关键词计数进行文本分析。 然而，深度学习通过其分层架构自动提取特征。 例如，计算机视觉中的卷积神经网络 (CNN) 可能会学习在其第一层中检测边缘，在更深层中检测形状，并在最后一层中检测对象部分，所有这些都无需人工干预。 这使得深度学习对于原始数据非结构化或对于人类设计的特征过于复杂的任务特别有效，例如使用像 BERT 这样的 Transformer 模型翻译语言或使用扩散模型生成图像。
虽然深度学习推动了 AI 的重大进步，但它并非普遍适用。 诸如决策树或线性回归之类的更简单的机器学习模型仍然更适合于小型数据集或具有明确可解释性要求的问题。 例如，开发人员构建信用评分系统时，可能会选择随机森林模型，因为它比神经网络更透明。 相反，深度学习擅长于拥有丰富数据和计算资源的场景，例如在 TB 级传感器数据上训练自动驾驶汽车系统。 了解这种关系有助于开发人员选择正确的工具：AI 定义目标，机器学习提供方法，深度学习解决这些方法中的特定挑战。