演算法不一樣。

我們所謂的機器學習，大部分使之常見的分類或者回歸演算法模型如支援向量機、隨機森林等。這種演算法一般是基於大量的原始資料，依賴其數學分佈特性，進行統計學機率分析，所得到的模型一般適合於低緯度、分界清晰且無交叉的資料（普遍來說，存在部分模型適用於其他情況）。而且值得注意的是，機器學習模型是不具有時間依賴性的。

而深度學習模型，一般是透過神經網路來搭建，神經網路層數可以達到非常深，甚至超過100層，使得輸入資料與輸出資料之間的數學表達關係極其複雜。深度學習模型可以處理複雜的分類或是迴歸問題，即便類別之間存在交叉，只要彼此之間擁有確定的分佈情況，幾乎都可以實現分類。對於像圖片、音訊這種高維度資料，也可以應付得來。LSTM的引入使得深度神經網路可以計算時間依賴性關係，即具有記憶性，可以根據前後的相關資料來分析該處資料的機率分佈。

兩者各有優缺點，比如機器學習的快速、低硬體需求，和深度學習的複雜性、多樣性等，需要根據實際問題選擇適合的模型。

機器學習在特定任務中透過學習資料的特徵，幫助人類進行預測或決策。

人工神經網路則是透過模擬人類的神經元，來達到學習資料的目的，因此人工神經網路是機器學習中的一中演算法。

人工神經網路中有層的概念，當網路的層數越深，其學習能力就越強，此時人工神經網路就變成了深度學習演算法。

結論：深度學習一種是具有強大學習能力的機器學習演算法，其本質還是人工神經網路！