python中机器学习和深度学习的区别究竟是什么?

　　IT行业迅速发展，许多新兴技术不断问世，人工智能、云原生、云计算、机器学习、深度学习等等新名词逐渐出现在人们的视线中，其实深度学习主要还是属于机器学习的范畴领域之内的，本篇文章我们来了解下两者的具体区别有哪些，请看下文：

　　| 机器学习的算法流程 |

　　1、数据集准备

　　2、探索性地对数据进行分析

　　3、数据预处理

　　4、数据分割

　　5、机器学习算法建模

　　6、选择机器学习任务

　　7、评价机器学习算法对实际数据的应用情况如何

　　首先我们要研究的是数据问题，数据集是构建机器学习模型流程的起点，进行探索性数据分析是为了获得对数据的初步了解。探索性数据分析方法简单来说就是去了解数据，分析数据，搞清楚数据的分布。主要注重数据的真实分布，强调数据的可视化，使分析者能一目了然看出数据中隐含的规律，从而得到启发，以此帮助分析者找到适合数据的模型。

　　数据预处理，其实就是对数据进行清理、数据整理或普通数据处理。指对数据进行各种检查和校正过程，以纠正缺失值、拼写错误、使数值正常化/标准化以使其具有可比性、转换数据(如对数转换)等问题。

　　| 深度学习的算法流程 |

　　深度学习优化了数据分析，建模过程的流程也是缩短了，由神经网络统一了原来机器学习中百花齐放的算法。

　　1、数据集准备

　　2、数据预处理

　　3、数据分割

　　4、定义神经网络模型

　　5、训练网络

　　深度学习不需要我们自己去提取特征，而是通过神经网络自动对数据进行高维抽象学习，减少了特征工程的构成，在这方面节约了很多时间。

　　但是同时因为引入了更加深、更复杂的网络模型结构，所以调参工作变得更加繁重啦。例如：定义神经网络模型结构、确认损失函数、确定优化器，最后就是反复调整模型参数的过程。