对于一个简单的分类任务，我们用机器学习算法来做时，需要把数据“喂”到算法里去训练，最后保存模型，再来预测分类的准确性。但是这就有个问题，即我们需要实现确定好特征，每一个特征即为一个维度，特征数目过少，我们可能无法精确的分类出来，即我们所说的欠拟合，如果特征数目过多，可能会导致我们在分类过程中过于注重某个特征导致分类错误，即过拟合。这就会造成我们在特征工程上花费大量的时间和精力，才能使模型训练得到一个好的效果。然而神经网络不需要做大量的特征工程，比如提前设计好特征的内容或者说特征的数量等，我们可以直接把数据“喂”进去，让它自己训练，自我“修正”，即可得到一个较好的效果。
神经网络比着机器学习的一大优点就是，神经网络有些增加网络深度的同时就是能够提前设计好一些特征框，然后我们不用通过大量数据再去通过训练构建特征内容了，机器学习没法提前设计特征框。也就是通过深度学习最后能让所谓的电脑机器自己去学习，然后加载后的数据能够根据提前设计好的神经网络来进行不断训练，不断修正，得到一个最好的模型。
通俗的来说，对于一个二分类问题，比如猫狗分类，机器学习的过程是通过“喂”数据来不断训练一个特征内容，通过训练得到的特征内容就是为了告诉机器我要进行猫狗分类，而对于深度学习的过程就是我不用通过训练数据来得到特征内容，可以直接提前设计好特征内容，从而机器根据特征内容就直接知道，我要进行的是猫狗分类。
总而言之，对于分类而言，深度学习比着机器学习少了一个所谓的功能，即通过大量数据训练，来得到获取特征点的这个功能。
来自一名菜鸡小白的无聊笔录，如有不妥，麻烦大家指出来，一定及时改正
