深度學習最終會淘汰掉其他所有機器學習算法嗎？
謝邀，我可以很準確地說，不會。
各有各的長處，各有各的短處。可能首先要明確一點，深度學習為何被稱為“深度”？從現在的技術角度看，深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示。
而普通機器學習算法為什么在面對大數據時有時候無法體現其優勢呢？是因為在工程界有這么一說，要達到同樣的模型水準，要不就是復雜模型+簡單特征，要不就是簡單模型+復雜特征。深度學習屬于前者，它有很多參數需要調優，是一個非常龐大的參數模型。一般的機器學習模型屬于后者，需要有強有力的特征來分離數據，最終得出不同的類別。
總的來說，目前深度學習確實有很多好處，譬如對我而言就很簡單暴力了，不用花很長時間進行調參，把數據清洗一下扔進去看看結果，如果不好就調整參數繼續嘗試，而做一般機器學習模型可不是這樣，要做很多特征工程。但深度學習在工程上有個至今為止沒有解決的問題，它是個“黑盒”，可解釋性差，導致系統出現bug無法迅速找出原因或者回溯之前的錯誤，所以在做工程而言，我們實際上更傾向于較少的特征工程和可解釋性強的模型就可以得到較好的結果，很期待未來深度學習的進一步發展。
如果你對學習人工智能和深度學習感興趣，可以訂閱我的頭條號，我會在這里發布所有與算法、機器學習以及深度學習有關的有趣文章。
（碼字不易，若文章對你幫助可點個贊~）