1、数据量
机器学习处理不同数量的数据，主要用于少量数据。另一方面，如果数据量迅速增加，深度学习就能有效地工作。下图描述了机器学习和深度学习在数据量方面的工作：
2、硬件依赖性
与传统机器学习算法相反，深度学习算法的设计严重依赖高端机器。深度学习算法执行大量的矩阵乘法运算，需要大量的硬件支持。
3、特征工程学
特征工程学是将领域知识放入指定的特征中，以降低数据的复杂性，使模型对学习算法可见的过程。
例如，传统的机器学习模式专注于像素和其他特征工程过程所需的属性。深度学习算法专注于数据的高级特征。它减少了针对每个新问题开发新的特征提取器的任务。
在传统机器学习中，特征工程是一个非常重要的步骤，需要手动设计特征。专家需要根据领域知识提取特征，以便提高模型的性能。深度学习模型自动从原始数据中学习特征，不需要复杂的特征工程。这是深度学习相较于传统机器学习的一个主要优势，尤其是在处理图像和文本数据时。
4、计算资源
机器学习模型相对较小，训练过程对计算资源的需求较低，能够在较小的计算机环境下进行。深度学习模型通常包含大量的参数和层次结构，因此对计算资源的需求非常高，通常需要强大的计算力（如GPU）才能在合理的时间内完成训练。
5、应用领域
机器学习适用于许多传统应用场景，如数据分类、回归分析、市场分析、预测性分析、推荐系统等。深度学习特别适合处理复杂数据类型，如图像识别、自然语言处理、自动驾驶、语音识别、机器翻译等领域。