机器学习 vs 深度学习 对比表

定义

通过算法让机器从数据中学习规律

基于多层神经网络的机器学习子集

诞生时间

1950s–1980s

2006年后兴起

与AI关系

AI的子集

ML的子集

特征工程

⚠️ 需要人工提取特征

✅ 自动提取特征

模型可解释性

✅ 较强（决策树、线性回归等）

❌ 黑箱模型，难以解释

数据需求量

✅ 少量数据即可运行

❌ 需要海量数据

计算资源

✅ CPU即可胜任

❌ 需要GPU/TPU

训练时间

✅ 较短

❌ 可能需要数天/数周

模型复杂度

相对简单

极其复杂（数亿参数）

小数据集

✅ 表现更好

❌ 容易过拟合

大数据集

⚠️ 性能趋于平稳

✅ 持续提升

结构化数据

✅ 表现优秀

⚠️ 无明显优势

图像识别

❌ 效果有限

✅ 业界最强

自然语言处理

⚠️ 中等效果

✅ GPT/BERT等SOTA

语音识别

❌ 效果较差

✅ 接近人类水平

线性回归 / 逻辑回归

全连接神经网络 (FNN)

决策树 / 随机森林

卷积神经网络 (CNN)

支持向量机 (SVM)

循环神经网络 (RNN/LSTM)

K近邻 (KNN)

Transformer / BERT / GPT

K-Means 聚类

生成对抗网络 (GAN)

XGBoost / LightGBM

扩散模型 (Diffusion Model)

金融风控 / 信用评分

人脸识别 / 图像分类

医疗诊断辅助

自动驾驶

推荐系统

大语言模型 (LLM)

异常检测 / 欺诈检测

图像生成 / AIGC

房价预测

语音合成 / 翻译