深度学习和通常的机器学习有什么区别？

深度学习和传统机器学习之间的主要区别在于架构和方法，主要体现在学习和预测的过程中。

对于传统机器学习：

特征工程是关键步骤，主要涉及从原始数据中选择和设计相关的特征（输入变量），然后使用这些特征来训练机器学习模型。所用的算法包括决策树、随机森林、支持向量机、k近邻等，以及各种回归和分类算法，这些算法通常需要手动调整超参数。对于特征的重要性的理解，传统的机器学习模型可以提供一些洞察，有助于模型的可解释性。

而对于深度学习：

特征学习的过程是核心，注重直接从原始数据中自动提取特征，从而省去大量手动特征工程的需要。深度学习模型主要依赖于人工神经网络，本质上比传统机器学习模型更复杂。对于像图像、音频、文本和视频等非结构化的数据类型，深度学习有出色的处理能力。例如，卷积神经网络(CNN)用于图像处理，循环神经网络(RNN)用于序列处理，而Transformer则用于自然语言处理。