概念澄清
机器学习和神经网络并非对立的两种技术，而是包含与被包含的关系。机器学习是一个广义的研究领域，涵盖了从线性回归到决策树、从 SVM 到随机森林的众多算法。神经网络是机器学习的一个子集，而深度学习则是神经网络的进一步发展。
如何选择
技术选型应该基于问题特征而非技术热度。对于结构化数据的分类和回归任务，传统机器学习算法（如 XGBoost）通常比深度学习更高效。而对于图像识别、自然语言处理等非结构化数据任务，深度神经网络则具有明显优势。
决策框架
- 数据量小于 10,000 条：优先考虑传统 ML
- 特征工程明确：随机森林 / XGBoost
- 图像 / 语音 / 文本：CNN / RNN / Transformer
- 实时推理 + 资源受限：轻量化模型 + 量化部署
混合策略
在实际项目中，最佳方案往往是将传统 ML 与深度学习结合使用。例如，用 CNN 提取图像特征，再用 XGBoost 进行最终分类，既利用了深度学习的特征提取能力，又保持了传统 ML 的可解释性。
