请解释深度学习的定义，并阐述其相对于传统机器学习方法的差异。

回答思路

1. 【回答框架 1】深度学习是机器学习的一个子集，基于人工神经网络，通过多层非线性变换自动从数据中学习特征表示。传统机器学习依赖人工设计特征，而深度学习通过端到端学习自动提取特征。
2. 【回答框架 2】核心差异在于特征工程：传统ML需要领域专家手动选择和处理特征，而深度学习通过隐藏层自动学习层次化特征，从低级到高级抽象，减少人工干预。
3. 【回答框架 3】深度学习适用于大规模数据和复杂模式识别（如图像、语音、NLP），但在小数据集上可能过拟合，且训练成本高、可解释性差。传统ML在中小数据量下更稳定，模型可解释性强。
4. 【回答框架 4】深度学习通常需要更多数据和计算资源（GPU），传统ML算法（如决策树、SVM）在特征明确、数据量适中时更高效。选择取决于数据规模、任务复杂度和资源约束。
5. 【关键点 1】深度学习是神经网络驱动的表示学习方法，自动特征提取是其核心优势
6. 【关键点 2】传统ML依赖手工特征，深度学习通过端到端学习简化流程
7. 【关键点 3】深度学习适合大数据与高维复杂任务，传统ML适合小数据及可解释性要求高的场景
8. 【易错点 1】混淆深度学习与传统机器学习在特征学习上的本质差异
9. 【易错点 2】认为深度学习总是优于传统ML，忽视数据量和可解释性约束