核心要点
深度学习是多层神经网络表示学习
对比传统 ML 的特征工程 vs 端到端
知道数据量、算力、可解释性 trade-off
能举 CNN、Transformer 等深度架构例子
简要回答
深度学习是机器学习子集，用多层神经网络自动学习层次特征表示；区别于传统 ML 需手工特征，深度学习可端到端从原始数据学习，但依赖更多数据与算力。
标准回答
深度学习（DL） 是 机器学习（ML） 的子集：用多层（深） 神经网络 从数据自动学习层次化表示，完成分类、回归、生成等任务。
与传统 ML 对比：
| 维度 | 传统 ML（SVM、RF 等） | 深度学习 |
|---|---|---|
| 特征 | 人工设计 | 端到端学习 |
| 数据需求 | 中小规模可工作 | 通常需大数据 |
| 算力 | CPU 常够 | GPU/TPU |
| 可解释性 | 相对较好 | 较弱（黑盒） |
| 适用 | 表格、小图像 | 图像、语音、NLP |
核心思想：浅层学边缘纹理，深层学语义概念（层次特征）。代表架构：CNN、RNN、Transformer。
并非万能：小数据表格任务 XGBoost 常更强；需权衡标注成本、延迟、可解释性合规。DL 是工具箱中最强表示学习手段之一，非唯一选择。
回答思路
【定义】用一句话说清「什么是深度学习？与传统机器学习方法」
【原理】讲清关键机制或步骤（2～3 点）
【例子】举一个真实项目、论文或产品中的例子
【对比】与易混淆概念或替代方案比较（如有）
【收尾】总结适用场景 + 一个局限或风险
延伸学习
知识库：深度学习基础。术语：神经网络、CNN、Transformer。
常见误区
⚠️ 常见踩坑
说 DL 取代所有 ML；忽视特征工程在数据清洗中仍重要；把深度学习等同于「大数据」而无架构说明。
🔗 相似问题
同一考点的不同问法，换着练更稳
没找到想看的面试题？把你想看的告诉我们 →
延伸学习
按主题分类的相关资源，便于系统复习
