机器学习与模式识别的区别在于以下几点：1.分析过程不同；2.研究方向不同；3.应用范围不同；4.判断重点不同。分析过程不同是指，机器学习是通过分析大量数据获得规律，并利用规律对未知数据进行预测；而模式识别是通过提取个别事物或现象特征，推断出总体。

1.分析过程不同

机器学习是通过喂给机器大量数据、从数据中自动分析获得规律，并利用规律对未知数据进行预测，这个分析的过程就是机器学习的过程；而模式识别是指从一些个别的事物或现象推断出事物或现象的总体，模式识别系统过程包括：特征提取与选择、训练学习和分类识别。

2.研究方向不同

机器学习是通过计算机用数学技术方法来研究模式的自动处理和判读；而模式识别专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

3.应用范围不同

机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎；而模式识别是信息科学和人工智能的重要组成部分，主要被应用于图像分析与处理、语音识别、声音分类、通信、计算机辅助诊断、数据挖掘等方面。

4.判断重点不同

机器学习根据样本训练模型，如训练好的神经网络是一个针对特定分类问题的模型；重点在于“学习”，训练模型的过程就是学习；机器学习的落脚点是思考。机器学习侧重于在特征不明确的情况下，用某种具有普适性的算法给定分类规则。而机器学习的概念可以类比聚类分析(聚类本身就是一种典型的机器学习方法)，对“类”的严格定义尚不明确，更谈不上检验。

模式识别是根据已有的特征，通过参数或者非参数的方法给定模型中的参数，从而达到判别目的。学过多元统计的可以这样理解：模式识别的概念可以类比判别分析，是确定的，可检验的，有统计背景的(或者更进一步说有机理性基础理论背景)。

延伸阅读

什么是深度学习

深度学习（Deep Learning，DL）是指多层的人工神经网络和训练它的方法。一层神经网络会把大量矩阵数字作为输入，通过非线性激活方法取权重，再产生另一个数据集合作为输出。这就像生物神经大脑的工作机理一样，通过合适的矩阵数量，多层组织链接一起，形成神经网络“大脑”进行精准复杂的处理，就像人们识别物体标注图片一样。

深度学习是从机器学习中的人工神经网络发展出来的新领域。早期所谓的“深度”是指超过一层的神经网络。但随着深度学习的快速发展，其内涵已经超出了传统的多层神经网络，甚至机器学习的范畴，逐渐朝着人工智能的方向快速发展。

50万+团队都在用的项目协作工具一个工具满足团队所需：任务、项目、文档、IM、目标、 日历、甘特图、工时、审批以及更多，让工作更简单智能化研发管理工具PingCode 是简单易用的新一代研发管理平台，让研发管理自动化、数据化、智能化，帮助企业提升研发效能