都是 data-driven 的模型，都是学习一种更加 abstract 的方式来表达特定的数据，假设和模型都对特定数据广泛适用。好处是，这种学习出来的表达方式可以帮助我们更好的理解和分析数据，挖掘数据隐藏的结构和关系。

　　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，比如 deep learning, GMM, SVM, HMM, dictionary learning, knn, Adaboosting...不同的方法会使用不同的模型，不同的假设，不同的解法。这些模型可以是线性，也可以是非线性的。他们可能是基于统计的，也可能是基于稀疏的....

　　不过他们的共同点是：都是 data-driven 的模型，都是学习一种更加 abstract 的方式来表达特定的数据，假设和模型都对特定数据广泛适用。好处是，这种学习出来的表达方式可以帮助我们更好的理解和分析数据，挖掘数据隐藏的结构和关系。

　　Machine Learning 的任务也可以不同，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。

　　Deep Learning 也会分各种不同的模型，比如 CNN, RNN, DBN...他们的解法也会不同。

　　Deep Learning 目前非常流行，因为他们在图像，视觉，语音等各种应用中表现出了很好的 empirical performance。并且利用 gpu 的并行运算，在模型相当复杂，数据特别大量的情况下，依然可以达到很理想的学习速度。

　　因为 Deep Learning 往往会构建多层数，多节点，多复杂度的模型，人们依然缺乏多里面学习的结构模型的理解。很多时候，Deep Learning 甚至会被认为拥有类似于人类神经网络的结构，并且这种类似性被当做 deep learning 居然更大 potential 的依据。但答主个人认为，其实这略有些牵强...听起来更像是先有了这种 network 的结构，再找一个类似性。当然，这仅仅是个人观点...(私货私货)

　　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(其实学术上用这个更准确，只是我们出去吹逼的时候就都叫 big data 了...)。“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。算法和系统上，人们喜欢选择并行(Parallel)，分布(distributed)等属性的方法来增加 capability。

　　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。而且数据在时间上可能存在变化，对应的算法或者系统居然做出调整和即时判断，以适应新的数据。这就要求我们提出高效(Efficiency)，即时(real-time)，动态(dynamic)，还有有预测性(predictive)等等....

　　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。

          编辑：silence