一、指代不同

1、機器學習算法：是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。

2、深度學習：是機器學習(ML, Machine Learning)領域中一個新的研究方向，它被引入機器學習使其更接近于最初的目標人工智能。

二、學習過程不同

1、機器學習算法：學習系統的基本結構。環境向系統的學習部分提供某些信息，學習部分利用這些信息修改知識庫，以增進系統執行部分完成任務的效能，執行部分根據知識庫完成任務，同時把獲得的信息反饋給學習部分。

2、深度學習：通過設計建立適量的神經元計算節點和多層運算層次結構，選擇合適的輸人層和輸出層，通過網絡的學習和調優，建立起從輸入到輸出的函數關系，雖然不能100%找到輸入與輸出的函數關系，但是可以盡可能的逼近現實的關聯關系。

三、應用不同

1、機器學習算法：：數據挖掘、計算機視覺、自然語言處理、生物特征識別、搜索引擎、醫學診斷、DNA序列測序、語音和手寫識別、戰略游戲和機器人運用。

2、深度學習：計算機視覺、語音識別、自然語言處理等其他領域。

通常來說，為了實現人工智能，我們會使用機器學習。我們有幾種用于機器學習的算法，比如Find-S、決策樹、隨機森林、人工神經網絡。一般來說，有3類學習算法，第一種是監督機器學習算法進行預測。此外，該算法在分配給數據點的值標簽中搜索模式。第二種是無監督機器學習算法，沒有標簽與數據關聯。并且，這些 ML 算法將數據組成簇。此外它需要描述其結構，并使復雜的數據看起來簡單且能有條理的分析。第三種是增強機器學習算法，我們使用這些算法選擇動作。并且，我們能看到它基于每個數據點。一段時間后，算法改變策略來更好地學習。
一般來說，我們用機器算法來解析數據、學習數據，并從中做出理智的判定。根本上講，深度學習用于創建可自我學習和可理智判定的人工“神經網絡”。我們可以說深度學習是機器學習的子領域。那么機器學習和深度學習的區別在哪里呢？具體來說有很多，其中數據依賴是其中的一種，性能是區別二者的最主要之處。當數據量小時，深度學習算法表現不佳。這就是DL算法需要大量的數據才能完美理解的唯一原因。