深度學習
就是更深層次的學習，它是機器學習的一個子領域，就我個人理解而言，它就是一個深度神經網路。
深度神經網路
就是擁有很多隱藏層的神經網路，通常只要隱藏層超過2個，我們就可以把這個神經網路定義為深度神經網路，當然，隱藏層的啟用函式應該是非線性的，如果是線性的，即使10000層，它的學習能力也僅僅相當於帶有一個隱藏層的神經網路。
深度學習到底有什麼好處呢，或者是它相當於傳統的機器學習來說有什麼優勢呢?
1.能夠從原始資料中自動提取特徵，而不需要人工的設計特徵。這也就是所謂的特徵學習或者表示學習，而在表示學習中最關鍵的就是逐層處理。假如我們要處理一個影像，神經網路有很多層，那麼在最底層，網路看到的是畫素，當一層一層往上的時候，看到的可能是邊緣，在往上可能是輪廓或者是某個目標的一個部位。神經網路做的就是逐層的對它看到的東西進行抽象，將低階特徵組合成高階特徵。那麼既然有深度神經網路那也就會有寬度神經網路，顧名思義它就是加寬隱藏層，也就是增加隱藏層中神經元的數量，它雖然增加了模型的複雜度，但是實際效果並沒有深度神經網路好，很主要的原因是他沒有逐層處理。
2.深度學習相比於其他傳統的機器學習還提供了複雜的特徵變換，傳統的機器學習，比如決策樹，雖然他也能達到很深，但是始終是在同一個特徵空間中學習，在內部沒有進行特徵變換，換句話說它們在處理資料的時候用的只是原始特徵，而深度神經網路能都對這些原始特徵進行復雜的特徵變換，學習到更高階的特徵。
總結
深度學習並不是萬能的，可能很多人知道深度學習的表示能力很強，於是什麼問題都可以用它來解決，這種想法很危險。通常來講深度學習更適合處理結構化資料，傳統的機器學習更適合處理非結構化資料，結構化資料就是影像，視訊，自然語言等，他們有一個共性，那就是這些資料都是由更小的粒度組合而成，比如影像是由畫素組成，聲音是由音素組成，文字中的句子是由單片語成，都是低階的特徵組合成高階特徵，區域性特徵之間具有很強的相關性，深度學習能夠逐層處理，所以適合處理這類資料。非結構化資料，比如訂旅館，買房子來預測價格等等，這些房子或者旅館的特徵可能是幾個臥室，幾個衛生間，天花板的高度，很明顯這些特徵無法進行組合成高階特徵，而且特徵之間也沒有很強的區域性相關性，所以傳統的機器學習適合處理這類問題，直接在這些原始的特徵空間中學習。