简单来说：

　　1)深度学习(Deep Learning)只是机器学习(Machine Learning)的一种类别，一个子领域。机器学习 > 深度学习

　　2)大数据(Big Data)不是具体的方法，甚至不算具体的研究学科，而只是对某一类问题，或需处理的数据的描述。

　　具体来说：

　　1)机器学习(Machine Learning)是一个大的方向，里面包括了很多种approach。

　　任务也可以不同，可以是预测(prediction)，分类(classification)，聚类(clustering)，识别(recognition)，重建(reconstruction)，约束(regularization)，甚至降噪(denoising)，超分辨(super-resolution)，除马赛克(Demosaicing)等等....

　　2)深度学习(Deep Learning)是机器学习的一个子类，一般特指学习高层数的网络结构。这个结构中通常会结合线性和非线性的关系。

　　3)大数据(Big Data，我们也叫他逼格数据....)是对数据和问题的描述。通常被广泛接受的定义是3个V上的“大”：Volume(数据量), Velocity(数据速度)还有variety(数据类别)。大数据问题(Big-data problem)可以指那种在这三个V上因为大而带来的挑战。

　　Volume很好理解。一般也可以认为是Large-scale data。“大”可以是数据的维度，也可以是数据的size。一般claim自己是big-data的算法会比较scalable，复杂度上对这两个不敏感。

　　Velocity就是数据到达的速度。对于数据高速到达的情况，需要对应的算法或者系统要有效的处理。

　　Variaty指的是数据的类别。以往的算法或者系统往往针对某一种已知特定类别的数据来适应。而一般大数据也会指针对处理那些unstructured data或者multi-modal data，这就对传统的处理方法带来了挑战。
第三十五届CIO班招生
国际CIO认证培训
首席数据官（CDO）认证培训

免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。