概述
深度学习已经成为大多数AI问题的首选技术，使得经典机器学习相形见绌。
在一些特定情况下，选择经典机器学习方法有一定的优势，比如线性回归或决策树。
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。
- 用数据进行有效的扩展：如果有更多的数据，深度网络可以更好的扩展。经典ML方法需要通过更复杂的方法来提高精度。
- 不需要特征工程：经典ML算法通常需要复杂的特征工程，而深度学习直接将数据送入网络，不需要特征工程。
- 适应性强，易于迁移：深度学习更易适应不同的领域和应用。不同领域使用深度学习的基本思想和技术往往是可转移的。但是经典机器学习模型需要特定领域和特定应用的ML技术和特征工程，不同领域的知识基础不同，需要进行专门的研究。
经典机器学习优于深度学习
- 在小数据上能更好的工作：为了实现高性能，深度学习需要大量的数据。而对于较小的数据集，经典的ML算法通常优于深度学习。
- 计算量少：有大量的数据又需要在合理的时间内训练完，深度学习需要使用高端的GPU等设备。经典的ML方法只需要简单的设备就可以训练的好，可以在较短时间内更快地迭代并尝试多种不同的技术。
- 更容易理解：经典机器学习算法易于解释和理解，由于对模型有深入的了解，调参和改变模型设计也更简单。而深度学习是一个黑盒子，缺乏理论基础，超参数和网络设计是一个很大的挑战。
