大資料與深度學習有什麼區別？

簡單來說：
1）深度學習（Deep Learning）只是機器學習（Machine Learning）的一種類別，一個子領域。機器學習 > 深度學習
2）大資料（Big Data）不是具體的方法，甚至不算具體的研究學科，而只是對某一類問題，或需處理的資料的描述。

具體來說：
1）機器學習（Machine Learning）是一個大的方向，裡面包括了很多種approach。
任務也可以不同，可以是預測（prediction），分類（classification），聚類（clustering），識別（recognition），重建（reconstruction），約束（regularization），甚至降噪（denoising），超分辨（super-resolution），除馬賽克（Demosaicing）等等....

2）深度學習（Deep Learning）是機器學習的一個子類，一般特指學習高層數的網路結構。這個結構中通常會結合線性和非線性的關係。

3）大資料（Big Data，我們也叫他逼格資料....）是對資料和問題的描述。通常被廣泛接受的定義是3個V上的“大”：Volume（資料量）, Velocity（資料速度）還有variety（資料類別）。大資料問題（Big-data problem）可以指那種在這三個V上因為大而帶來的挑戰。

Volume很好理解。一般也可以認為是Large-scale data。“大”可以是資料的維度，也可以是資料的size。一般claim自己是big-data的演算法會比較scalable，複雜度上對這兩個不敏感。

Velocity就是資料到達的速度。對於資料高速到達的情況，需要對應的演算法或者系統要有效的處理。

Variaty指的是資料的類別。以往的演算法或者系統往往針對某一種已知特定類別的資料來適應。而一般大資料也會指標對處理那些unstructured data或者multi-modal data，這就對傳統的處理方法帶來了挑戰。