# Deep learning vs. machine learning

Deep learning (aprendizado profundo) é um tipo de machine learning (aprendizado de máquina). Ele utiliza redes neurais de múltiplas camadas, enquanto o machine learning convencional trabalha com algoritmos mais simples, como árvores de decisão e modelos lineares. Redes com estruturas mais profundas permitem que o deep learning reconheça padrões mais complexos em grandes volumes de dados.

[![Imagem: Gráfico explica a diferença entre Deep learning e machine learning](https://www.ionos.com/pt-br/digitalguide/fileadmin/_processed_/4/7/csm_deep-learning-vs-machine-learning-pt-br_c5e3377e33.webp "Gráfico explica a diferença entre Deep learning e machine learning")](https://www.ionos.com/pt-br/digitalguide/fileadmin/DigitalGuide/Schaubilder/deep-learning-vs-machine-learning-pt-br.png) Deep learning vs. machine learning: Ambos são subsetores da inteligência artificial, mas o deep learning é um tipo especial do machine learning. Tanto o machine learning quanto o [deep learning](https://www.ionos.com/pt-br/digitalguide/marketing-online/marketing-em-buscadores/deep-learning/) são subsetores da [inteligência artificial](https://www.ionos.com/pt-br/digitalguide/marketing-online/vender-na-internet/o-que-e-inteligencia-artificial-ia/). Ambos os métodos buscam fazer com que computadores aprendam a tomar decisões inteligentes. Mas o **deep learning é um subtipo de machine learning**, pois é baseado em [aprendizado não supervisionado](https://www.ionos.com/pt-br/digitalguide/marketing-online/marketing-em-buscadores/unsupervised-learning/ "O que é aprendizado não supervisionado?").

Nos dois tipos, a inteligência é limitada a casos de uso específicos. Podemos falar de uma inteligência artificial “fraca”, em oposição a uma inteligência artificial “forte” – que, de modo semelhante aos humanos, teria capacidade de decidir com discernimento em muitas áreas e muitas situações diferentes.

## Diferenças: Deep learning vs. machine learning

**Machine learning** é a tecnologia mais simples e historicamente mais antiga. Ela trabalha com um algoritmo que o próprio sistema adapta, após receber feedback de um ser humano. Um pré-requisito para o uso dessa tecnologia é a existência de dados estruturados. Inicialmente, o sistema é alimentado com dados estruturados e categorizados. Assim, ele entende como novos dados desse tipo devem ser classificados. Então, de acordo com a classificação, o sistema executa atividades programadas. Por exemplo, ele reconhece se um cachorro ou um gato aparece em uma foto e move os respectivos arquivos para pastas diferentes.

Após uma primeira fase de aplicação, ocorre a otimização do algoritmo por meio de feedback humano, que informa o sistema sobre classificações incorretas e indica as categorias certas.

Já o *deep learning* não requer dados estruturados. O sistema trabalha com [redes neurais](https://www.ionos.com/pt-br/digitalguide/marketing-online/marketing-de-mecanismos-de-busca/o-que-e-neural-network/ "O que é neural network?") de várias camadas, que combinam diversos algoritmos e têm como modelo o cérebro humano. Desse modo, o sistema também consegue processar dados não estruturados.

Essa abordagem é apropriada, sobretudo, para tarefas complexas, em que nem todos os aspectos dos objetos podem ser categorizados previamente. No deep learning, o próprio sistema encontra características distintivas adequadas. Em cada camada, o *input* é analisado em busca de uma nova característica e, com base nela, o sistema decide como o *input* deve ser classificado.

O aspecto mais importante é que, **no deep learning, o próprio sistema identifica traços diferenciais nos dados**, sem necessitar de uma categorização externa anterior. Ou seja, ele não precisa ser treinado por um desenvolvedor humano. O sistema verifica, de forma autônoma, se as classificações mudam ou se novas categorias surgem devido ao novo *input*.

Enquanto o machine learning já funciona com um banco de dados de tamanho administrável, o **deep learning requer um volume de dados substancialmente maior**. Para fornecer resultados confiáveis, o sistema geralmente precisa de milhões de pontos de dados, dependendo da complexidade do problema.

Além disso, a realização da tecnologia de deep learning é mais dispendiosa. Ela exige mais recursos de TI e é consideravelmente mais cara do que o machine learning.

## Tabela comparative entre deep learning e machine learning

<table>
  <thead>
    <tr>
      <th></th>
      <th><strong>Machine learning</strong></th>
      <th><strong>Deep learning</strong></th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>Formato de dados</td>
      <td>Dados estruturados</td>
      <td>Dados não estruturados</td>
    </tr>
    <tr>
      <td>Banco de dados</td>
      <td>Banco de dados administrável</td>
      <td>Mais de 1 milhão de pontos de dados</td>
    </tr>
    <tr>
      <td>Treinamento</td>
      <td>Requer treinadores humanos</td>
      <td>Sistema autodidata</td>
    </tr>
    <tr>
      <td>Algoritmo</td>
      <td>Um único algoritmo mutável</td>
      <td>Rede neural de algoritmos</td>
    </tr>
    <tr>
      <td>Campo de aplicação</td>
      <td>Tarefas rotineiras simples</td>
      <td>Tarefas complexas</td>
    </tr>
  </tbody>
</table>

## Possibilidades de deep learning e machine learning

Podemos considerar o machine learning como a tecnologia predecessora do deep learning, pois todas as tarefas executáveis usando machine learning também podem ser processadas por deep learning. Portanto, em tese, não seria necessário escolher entre deep learning e machine learning.

Mas o **deep learning não é um método eficiente, já que exige muito mais recursos**. Por isso, geralmente há uma separação clara entre os campos de aplicação das duas tecnologias: o que é possível resolver com machine learning é resolvido com machine learning.

Para empresas, o uso de ambas as tecnologias representa uma enorme vantagem competitiva, pois tanto o machine learning quanto o deep learning ainda estão longe de se tornar padrões no cotidiano empresarial.

### Campos de aplicação de deep learning e machine learning

No setor de **marketing on-line**, muitas empresas usam ferramentas analíticas baseadas em machine learning. Essas ferramentas analisam os dados disponíveis e fazem previsões confiáveis sobre qual tipo de conteúdo leva a conversões, o que os consumidores desejam ler e quais canais de marketing têm mais potencial para gerar vendas.

Chatbots de apoio ao cliente também podem ser baseados em machine learning. Eles se orientam por palavras-chave contidas na solicitação do usuário e, dialogando com o cliente por meio de perguntas de esclarecimento ou de decisão, conseguem lhe fornecer as informações desejadas. Contudo, chatbots baseados em deep learning são capazes de compreender a linguagem natural humana, sem depender do uso de palavras-chave específicas. O diálogo é muito mais eficiente e a solução oferecida é mais precisa.

Hoje em dia, os **assistentes de voz** digitais, como Siri, Alexa e Google Assistente, quase sempre são baseados em [*speech synthesis*](https://www.ionos.com/pt-br/digitalguide/sites-de-internet/desenvolvimento-web/speech-synthesis/) (síntese de fala) e deep learning.

Os primeiros assistentes de voz estão se inserindo também no contexto empresarial. Os usuários podem falar com eles naturalmente e pedir-lhes, por exemplo, para fazer encomendas, enviar e-mails, criar relatórios ou realizar pesquisas. Os sistemas mais antigos, baseados em machine learning, eram incapazes de compreender nuances linguísticas e, portanto, menos adequados para essas tarefas.

Embora o machine learning também possa ser usado no setor de ***business intelligence***, para representar dados visualmente e facilitar a compreensão de previsões para decisores humanos, os sistemas de deep learning na área de [IA generativa](https://www.ionos.com/pt-br/digitalguide/sites-de-internet/criar-sites/ia-generativa/ "IA generativa") são capazes, até mesmo, de gerar seus próprios gráficos e imagens, com base em prompts simples. Também na área de criação de conteúdo, há grande potencial para abordagens como [*Large Language Models*](https://www.ionos.com/pt-br/digitalguide/servidor/conhecimento/large-language-model/ "Large Language Model") ou Natural Language Processing, que são baseadas em algoritmos de deep learning.


This is a markdown version of: [https://www.ionos.com/pt-br/digitalguide/marketing-online/marketing-em-buscadores/deep-learning-vs-machine-learning/](https://www.ionos.com/pt-br/digitalguide/marketing-online/marketing-em-buscadores/deep-learning-vs-machine-learning/) for AI/LLM consumption.