机器学习让模型从数据中形成可用于预测或生成的规律；深度学习是其中使用多层神经网络学习表示的一类方法。它们是包含关系，不是两个互相替代的“档次”。
从手写邮件规则到数据训练
手写垃圾邮件规则时，开发者可能写“出现某类词就拦截”。监督学习则先提供邮件和标签，用算法学习输入与结果之间的关系，再对未见邮件作判断。两种方式也可以结合；不能只因使用了机器学习，就保证更准确或更省事。
监督学习有明确目标，例如分类或数值预测；无监督学习可以探索没有标签的数据结构；强化学习围绕行动与奖励学习策略。不能用“所有机器学习都是告诉它对错”概括全部方法。Google机器学习入门
深度学习改变了哪些工作
线性模型、决策树、支持向量机与神经网络都是不同方法。多层神经网络能够学习复杂表示，但并不是完全不需要人工设计：数据处理、训练目标、网络结构、损失与评估仍要选择。
以图像为例，可以先计算特征再交给分类器，也可以让网络从像素中学习表示。前一种并不必然手写“胡须检测器”；后一种也不保证每层按“边缘、纹理、耳朵”的固定次序分工。CNN结构可接着读CNN论文学习笔记。
数据量、计算成本和可解释性都受具体方法与任务影响。不能简单规定“表格只能传统方法、图像必须深度学习”，也不能把层数当作能力排名。
用猫狗分类串起训练与使用
下面是教学流程，不是个人实验结果：
- 定义输入与输出：输入图片，输出猫或狗的类别；同时明确多动物、模糊图片和未知类别如何处理。
- 准备数据：检查标签、授权、清晰度与场景覆盖，避免同一动物或近重复图片同时泄漏到训练和评估集合。
- 训练：模型将输入转换为得分，损失函数比较预测与目标，优化算法调整参数。不是通过人工给“尖耳朵”逐项加分来解释所有神经网络。
- 验证和选择：用与训练分开的数据比较方案，检查错例，例如背景是否成了捷径。
- 最终评估与使用：在未用于反复调参的数据上报告结果；部署后监测输入变化与错误，而不是训练集答对就算学会。
需要多少样本取决于任务、数据变化、模型及是否利用预训练，不存在通用“每类10—15张足够”。增加低质量或重复样本也不保证更好。有关划分与泛化，见Benchmark与独立评估。
推荐动画片，学的是另一类关系
推荐可以利用用户对物品的反馈，而不必先识别每一帧内容。设想A和B都喜欢甲、乙，B还喜欢丙，系统便可能把丙作为A的候选；这说明协同过滤怎样利用相似偏好，不意味着“相似用户一定喜欢同一部片”。
反馈矩阵可以记录显式评分，也可以包含观看等隐式行为。点击不等于满意，没点击也不等于讨厌，还涉及是否有机会看到候选。Google协同过滤说明
用户点一次“不喜欢”，可能更新用户记录、候选排序或进入后续训练流程，但不必然当场修改模型权重。系统怎样利用反馈，需要实际工程机制；每次调整也不保证提升。
学习和选型先做基线
先明确输入、目标、误差代价与数据划分，再建立简单基线。比较复杂模型时保持任务与评估条件一致，同时考察成本、延迟和维护难度。
“从数据学习”不是免除开发工作的魔法：问题定义、数据质量和验证方法，往往比给方法贴上“深度”标签更能决定结果。