一、为什么说深度学习和机器学习截然不同？

深度学习和机器学习是两种不同的技术，其主要区别在于其应用和目标。机器学习是一种广义的概念，涉及使用算法和统计学方法从数据中学习并做出预测或决策，而深度学习是一种机器学习的方法，通过多层神经网络对大量数据进行训练，以实现高度准确和自动化的特征提取和模型建立。

深度学习的主要目标是构建能够自动提取特征并进行复杂计算的神经网络模型，而机器学习的目标是使用这些模型从数据中学习并进行预测或决策。因此，深度学习和机器学习之间的区别在于其应用和目标的不同，尽管它们之间存在许多联系和重叠。

二、机器学习和深度学习之间的区别有哪些？

机器学习和深度学习之间的区别主要有以下四个方面：

应用场景：机器学习在指纹识别、特征物体检测等领域的应用基本达到了商业化的要求。深度学习主要应用于文字识别、人脸技术、语义分析、智能监控等领域。目前在智能硬件、教育、医疗等行业也在快速布局。

所需数据量：机器学习能够适应各种数据量，特别是数据量较小的场景。如果数据量迅速增加，那么深度学习的效果将更加突出，这是因为深度学习算法需要大量数据才能完美理解。

数据依赖性：深度学习与传统的机器学习最主要的区别在于随着数据规模的增加其性能也不断增长。当数据很少时，深度学习算法的性能并不好。这是因为深度学习算法需要大量的数据来完美地理解它。另一方面，在这种情况下，传统的机器学习算法使用制定的规则，性能会比较好。

模型复杂度：机器学习通常使用的是传统的线性模型或非线性模型，比如决策树、支持向量机等。而深度学习则构建了多层神经网络，网络中的神经元之间存在大量的连接和权重，模型的复杂度更高。

总的来说，机器学习和深度学习都是目前人工智能领域的热门技术，在具体应用上有着各自的优势和不足。

三、深度学习和普通机器学习之间有何区别？

深度学习和普通机器学习之间有以下区别：1. 结构不同：深度学习是基于人工神经网络的一种技术，而普通机器学习则可以使用多种算法和模型进行学习和预测。2. 特征提取能力：深度学习可以自动从原始数据中学习和提取特征，而普通机器学习通常需要手动提取特征。3. 数据需求量：深度学习对于大量标注数据的需求较高，通常需要更多的数据进行训练；而普通机器学习可以在相对较少的数据集上进行学习。4. 可解释性：普通机器学习算法通常比较容易解释和理解，可以更好地解释模型做出的预测；而深度学习模型由于其复杂性，通常难以解释其内部的决策过程。5. 应用领域：深度学习在计算机视觉、自然语言处理和语音识别等领域取得了显著成果，而普通机器学习在数据挖掘、分类和回归等任务上较为常见。总结而言，深度学习比普通机器学习更适用于复杂的任务和大规模数据集，但在可解释性和数据需求方面可能存在一些局限。