放張圖可以看出關係。機器學習是人工智慧的重要區域之一，深度學習是機器學習的分流之一。深度學習在前幾年迅速躥紅的原因是突破了一些傳統機器學習解決不了的問題。

機器學習的意義在於代替人力完成重複的工作，識別出統一的規律（模式）。但對於傳統的機器學習來說，特徵的提取難度並不小（特徵可以是畫素、位置、方向等等）。特徵的準確度會很大程度決定大多數機器學習演算法的效能，為了使特徵準確，將涉及到大量的人力投入特徵工程的部分，來對特徵進行調整改善。而這一系列工作的完成，是在資料集所含有的資訊量足夠並且易於識別這一前提下的，如果這一前提沒有滿足，傳統機器學習演算法會在雜亂的資訊中喪失效能。深度學習的應用便是基於這一問題產生的，它的深層神經網路讓它可以在雜亂中學習，自動發現任務所聯絡的特徵（可以把它看成自發地學習特徵工程），提取高層次的特徵，因而大大減少了任務中在特徵工程部份所要耗費的時間。

另一明顯的不同之處是二者對資料集大小的偏好。傳統的機器學習在制定完善的規則下，在處理較小規模的資料時，會展示出很好的效能，深度學習反而表現不佳；隨著資料集的規模不斷變大，深度學習的效能才會逐漸展現出來，並且越來越優良，對比可見下圖。