El deep learning automatiza gran parte de la fase de extracción de características del proceso, lo que elimina parte de la intervención manual humana necesaria y permite el uso de conjuntos de datos más grandes. El deep learning se podría considerar como "machine learning escalable", tal como Lex Fridman señaló en la misma conferencia del MIT mencionada anteriormente.
El machine learning tradicional, o "non-deep", depende más de la intervención humana para aprender. Los expertos humanos determinan la jerarquía de características para comprender las diferencias entre las entradas de datos, lo que por lo general requiere más datos estructurados para aprender.
El "deep" machine learning puede utilizar los conjuntos de datos etiquetados, también conocidos como aprendizaje supervisado, para informar a su algoritmo, pero no requiere necesariamente un conjunto de datos etiquetados. Puede ingerir datos no estructurados en su forma original (como por ejemplo texto o imágenes) y puede determinar automáticamente la jerarquía de características que distinguen diferentes categorías de datos.
A diferencia del machine learning, no requiere intervención humana para procesar datos, lo que permite escalarlo de maneras más interesantes.
