人工智能选股模型常见的机器学习和深度学习类型存在多方面差异。

在数据处理能力上，机器学习通常适用于处理结构化、规模较小的数据。就像整理有序的图书馆书架，数据在既定规则下被分析。而深度学习更擅长处理复杂、大规模的非结构化数据，如新闻文本、社交媒体情绪等，如同能从海量的杂乱信息中找出有价值的线索。

从模型结构来看，机器学习模型结构相对简单，比较容易理解和解释预测结果。例如线性回归，就像根据一个简单公式进行计算，能清晰知道各个因素的影响。深度学习模型则具有复杂的神经网络结构，如同一个神秘的黑匣子，难以精确解释其决策过程。

在特征提取方面，机器学习往往依赖人工提取特征，这需要专业知识和经验，就像手工挑选合适的拼图块。深度学习可以自动从数据中学习和提取特征，能发现人类难以察觉的模式。

从训练时间和资源要求来说，机器学习训练相对快速，对计算资源要求不高，几台普通电脑就能完成。深度学习训练则需要大量的计算资源和时间，可能要用到高性能服务器或云计算平台。

总的来说，机器学习更适合数据简单、需要解释结果的场景，深度学习则在处理复杂数据、挖掘潜在模式上更具优势。