全く以ってそんなことないですよ。
データ分析の現場ではそういう古典的な手法は普通に幅広く使われています。
ディープラーニングは確かに凄い技術ですが、あらゆる面で万能とは言えません。
学習コストが高い(大量のデータが必要で計算資源も潤沢に使用する)し、モデルがブラックボックス化していて「どうしてそう判断しているのか」を人間に分かりやすく説明することも苦手です。
実際のデータ分析では限られたデータしか準備出来ないことの方が多いし、極限まで精度を高めることよりもむしろその判断の根拠を理解できることの方を重視する場合も多々あります。
それこそ単純な線型回帰モデルだって用途によっては非常に役立ちます。無駄に複雑なモデルよりもシンプルな方が良い事は多いのです。
特にテーブルデータについては、古典的な手法が優位なケースが多いです。
あなたが仰る通りディープラーニングの強みの一つは「自身で特徴量を学習する」ことですが、それは特徴量が自明ではない非構造化データ(音声や画像、自然言語等)でこそ力を発揮するわけです。
テーブルデータでは特徴量がすでに並んでいるわけですからこの部分はあまり役立ちません。
ですから、もうディープラーニングの時代だからと古典的な手法を学ばないという訳には行きません。
データを理解し、各手法の特性を理解し、目的に応じて適切な手法を選択して適切に学習させる、そういうスキルは現在も今後も重要であり続けます。
