Data
Machine learning hanya mampu menganalisis data yang terstruktur. Namun, algoritma pada machine learning bisa menganalisis data dalam jumlah kecil.
Deep learning mampu menganalisis data yang tidak terstruktur seperti gambar, video, maupun audio.
Algoritma deep learning tidak memiliki kemampuan secara maksimal mengolah data dalam jumlah kecil. Hal ini terjadi karena algoritma deep learning sengaja dirancang untuk mengolah data dalam jumlah banyak.
Attribute Engineering (Rekayasa Fitur)
Machine learning membutuhkan rekayasa fitur. Di lain sisi, deep learning sama sekali tidak membutuh rekayasa fitur. Dengan kata lain, beberapa fitur kemungkinan bisa saling berkaitan saat proses analisis pada program machine learning.
Attribute engineering (rekayasa fitur) sendiri mengacu pada proses pemilihan dan transformasi variabel menggunakan machine learning atau deep learning saat menciptakan model analisis prediktif.
Hardware (Perangkat Keras)
Butuh perangkat keras kelas atas untuk menjalankan program pembelajaran deep learning. Selain itu, mesin yang digunakan juga harus memiliki kemampuan mumpuni untuk mengolah data dalam jumlah besar. .
Sementara itu, program pembelajaran machine learning cukup membutuhkan mesin kelas menengah atau bahkan kelas bawah untuk mengolah data secara optimal.
Penerapan
Penerapan model machine learning adalah sistem rekomendasi pada e-commerce. Algoritma machine learning akan menganalisis data produk yang sebelumnya dicari untuk memberi rekomendasi serupa.
Contoh lain penerapan machine learning adalah asisten virtual seperti Google Assistant, Alexa, Cortana, dan Siri.
Sedangkan penerapan deep learning bisa ditemukan pada fitur face unlock di smartphone.
Fitur ini berfungsi membuka kunci pada HP dengan mendeteksi wajah pengguna.(lia)