深度学习已成为大多数AI问题的首选技术，使得经典机器学习相形见绌。但是，尽管深度学习有很好的性能，经典机器学习方法仍有一些优势，而且在一些特定情况下最好使用经典机器学习方法，例如线性回归或决策树，而不是使用一个大型深度网络。本文将对比深度学习和经典机器学习，分别介绍这两种技术的优缺点。

近年来，深度学习已成为大多数AI问题的首选技术，使得经典机器学习相形见绌。原因很明显，深度学习在语音、自然语言、视觉和游戏等许多任务上都表现出卓越的性能。然而，尽管深度学习具有如此好的性能，经典机器学习方法仍有一些优势，而且在一些特定情况下最好使用经典机器学习方法，例如线性回归或决策树，而不是使用一个大型深度网络。

本文将对比深度学习和经典机器学习，分别介绍这两种技术的优缺点以及它们在哪些问题/如何得到最佳使用。

深度学习优于经典机器学习

一流的性能：在许多领域，深度网络已经取得了远远超过经典ML方法的精度，包括语音、自然语言、视觉、游戏等。在许多任务中，经典的ML方法甚至无法与深度学习比较。

用数据进行有效的扩展：与经典ML算法相比，如果有更多的数据，深度网络可以更好地扩展。下图是一个简单的例子。很多时候，用深度网络来提高准确性的最佳建议就是使用更多的数据！但使用经典ML算法时，这种快速简单的方法几乎没有效果，通常需要更复杂的方法来提高精度。

不需要特征工程：经典的ML算法通常需要复杂的特性工程。在使用深度学习时，不需要这样的特征工程，因为只需将数据直接传递给网络，通常就可以立即实现良好的性能。
适应性强，易于迁移：与经典的ML算法相比，深度学习技术可以更容易地适应不同的领域和应用。
此外，不同领域使用深度学习的基本思想和技术往往是可以转移的。

经典机器学习优于深度学习

在小数据上能更好地工作：为了实现高性能，深度学习需要非常大的数据集。之前提到的预训练的网络在120万张图像上进行了训练。对于许多应用来说，这样大的数据集是不容易获得的，花费昂贵而且耗时。对于较小的数据集，经典的ML算法通常优于深度学习。
财务和计算上都更便宜：有大量的数据，又需要在合理时间内训练完，深度学习要求使用高端GPU。这些GPU非常昂贵，但是如果没有它们，就很难实现高性能的深度网络。要有效地使用这样的高端GPU，还需要一个快速的CPU、SSD存储、快速而且容量大的RAM。经典的ML算法只需要一个像样的CPU就可以训练得很好，并不需要最好的硬件。因为它们的计算成本不高，因此可以在较短的时间里更快地迭代，并尝试多种不同的技术。
更容易解释：由于经典ML涉及直接的特征工程，这些算法很容易解释和理解。此外，由于我们对数据和底层算法有了更深入的了解，调参和更改模型设计也更简单。另一方面，深层学习是一个“黑盒子”，即使是现在，研究人员也不能完全了解深层网络的“内部”。由于缺乏理论基础，超参数和网络设计也是一个很大的挑战。