以一个生活中的例子来类比，可能更容易理解这个问题。既然飞机是一种高效的交通工具，那么为什么还有火车和汽车，甚至是摩托车，自行车呢？我想答案应该很简单，一个是使用成本，另一个是适用环境。其实以神经网络为基础的深度学习与传统的机器学习和交通工具的例子类似。

首先是成本，神经网络，特别是深度学习使用的深层网络，因为需要训练的参数很多，不但需要收集并标记大量的训练数据，还需要高性能的计算设备——GPU，这些都会增加解决方案的成本。而传统的机器学习则不同，它们需要训练的参数相对较少，计算量也相对较低，虽然精度可能会不如深度学习，但是它有成本优势。就如同坐飞机和做火车都能到北京一样，在时间紧张的情况下，就花费较高的费用乘飞机；在时间充足的情况下，就可以选择费用较低的火车。

其次是适用环境，神经网络在数据不足的情况下很难训练出理想的效果，而实际中经常会遇到很难收集到大量数据的情况，此时即使不计成本，也因为无法收集到充足的数据而无法使用。相反，SVM、决策树等传统的机器学习方法对数据的需求量少，在这些情况下就更容易发挥优势。就如同飞机、火车无法到达的地方，可以选择开车或者骑摩托一样。

举个例子吧，树上有果子怎么去摘。有很多方法：拿棍子敲，爬树，搬楼梯，拿石头扔…各种方法有其利弊。神经网络需要学习需要时间，比如分类狗和猫，如果要分类猪和狗，还得在训练一次。有些其他的分类方法就不需要了。总得来说，看分类什么东西，数据有什么特性，在考虑用哪种途径去解决。个人拙见。

神经网络是机器学习算法的一种，是一种朴素仿生学的算法，通过复杂多层神经元结构来拟合复杂函数。神经网络需要大量的数据训练作为基础，而且存在过拟合的问题，如果需要拟合的函数复杂度不高，数据量不够则不太适合用神经网络的。SVM适用于二分类问题，KNN可以多分类但需要大数据支持，不同的机器学习模型适用的场景是不太一样的。模型的选择需要依据问题的特点来学习，所以除了看书就是多去解决问题，同一个问题用不同的算法去试试比较一下就会有更深的理解，很多用神经网络去套所有的问题，其实是非常不可取的，不可能用一双鞋去套所有的脚丫子。另外，李航写的统计学习入门不错，西瓜书个人觉得一般。

神经网络算法的预测精度并没有很理想，比不上随机森林、bootstrap ，算法是不同原理追求分类效果的成果，寻找更高精度的分类算法是统计学家的追求，多种算法也有利于比较研究。现在一些实用情境往往会综合好几种算法来进行预测评估。

一个是告诉你机器学习的发展过程，各种解决问题的思想由来，另一个就是其实没有万能学习器，在效果和效率上每种模型可能都有最适应的场合。比如svm它训练慢但好了后预测快啊。而且，还有一点，复杂的学习器是不能直观描述其工作原理的，比如一个神经网络，它可能很多个隐藏层，那你怎么给别人解释它从数据输入到结果输出是怎么做判别的，而一个线性回归，它的每个系数的实际意义就相对好解释了。