面试官问：深度学习与传统机器学习的核心区别？

📚 参考：深度学习 | 神经网络

考察点：特征提取方式的核心差异（人工 vs 自动）、CNN/RNN/Transformer 架构对比、深度学习爆发的三大驱动力

详细信息

核心回答

深度学习是机器学习的子集，核心区别在于特征提取方式：

维度	传统 ML	深度学习
特征提取	人工设计（专家经验）	自动学习（端到端）
模型结构	浅层（1-3 层）	深层（数十~数百层）
数据需求	小数据集可用	需要海量数据
可解释性	相对可解释	"黑盒"难解释

核心架构对比：
├── DNN (深度神经网络)：全连接，通用
├── CNN (卷积神经网络)：图像识别，局部特征提取
├── RNN/LSTM/GRU：序列处理，时间依赖
└── Transformer：自注意力，并行计算（LLM 基础）

为什么深度学习在 2012 年后爆发？

• 📊 大数据：互联网积累了海量标注数据
• 💻 算力：GPU 并行计算使深层网络训练成为可能
• 🔧 算法：ReLU、BatchNorm、ResNet 解决梯度消失问题

面试回答要点

• 记住"人工提取特征 vs 自动学习特征"这个核心差异
• 至少说出 CNN/RNN/Transformer 三种架构和适用场景
• 能说明深度学习爆发的三个驱动力

来源：深度学习概念讲解