深度学习是一种强大的机器学习形式（ML），它使用大量数据（信息）构建称为神经网络的复杂数学结构。
深度学习定义
深度学习是一种使用多层神经网络来处理更复杂类型的数据的方法。有时称为层次学习，深度学习使用不同类型的神经网络来学习特征（也称为表示），并在大量原始的，未标记的数据（非结构化数据）中找到它们。深度学习的第一个突破性演示之一是成功从YouTube视频集中挑选猫图像的程序。
日常生活中的深度学习例子
深度学习不仅用于图像识别，还用于语言翻译，欺诈检测，以及分析公司收集的有关其客户的数据。例如，Netflix使用深度学习来分析您的观看习惯并预测您喜欢观看哪些节目和电影。这就是Netflix如何知道将动作电影和自然纪录片放入你的建议队列中的方式。亚马逊使用深度学习来分析您最近购买的商品以及您最近搜索过的商品，以便为您可能感兴趣的新乡村音乐专辑创建建议，并且您正在市场上购买一对灰色和黄色的网球鞋。随着深度学习从非结构化和原始数据中提供越来越多的洞察力，企业可以更好地预测客户的需求，同时您，个人客户可以获得更加个性化的客户服务。
人工神经网络与深度学习
为了使深度学习更容易理解，让我们重新审视我们对人工神经网络（ANN）的比较。对于深度学习，想象一下我们的15层办公楼占据了一个城市街区，还有另外五座办公楼。街道两旁有三栋建筑。我们的建筑物是A楼，与B楼和C楼共用同一条街。在A楼的街对面是1号楼，B楼对面是2号楼，依此类推。每栋建筑都有不同数量的楼层，采用不同的材料制成，与其他建筑风格不同。然而，每个建筑物仍然布置在办公室（节点）的不同楼层（层）中 - 因此每个建筑物是唯一的ANN。
想象一下，数字包到达A楼，包含来自多个来源的大量不同类型的信息，如基于文本的数据，视频流，音频流，电话，无线电波和照片 - 然而，它到达一个大混乱和未以任何逻辑方式标记或排序（非结构化数据）。信息从1开始按顺序发送到每个楼层ST 到15日 用于处理。信息杂乱到达15后日 楼（输出），它被发送到1ST 建筑物3的楼层（输入）以及来自建筑物A的最终处理结果。建筑物3从建筑物A发送并且结合由建筑物A发送的结果，然后以相同的方式处理通过每个楼层混乱的信息。当信息到达建筑物3的顶层时，从那里将建筑物的结果发送到建筑物1.建筑物1从建筑物3学习并合并结果，然后逐层处理。建筑物1以相同的方式传递信息和结果，建筑物C处理并发送到建筑物2，建筑物2处理并发送到建筑物B.
在我们的示例中，每个ANN（建筑物）都在非结构化数据中搜索不同的特征（混杂的信息），并将结果传递给下一个建筑物。下一个建筑物包含（学习）前一个建筑物的输出（结果）。当数据由每个ANN（建筑物）处理时，它由特定特征组织和标记（分类），以便当数据到达最后一个ANN（建筑物）的最终输出（顶层）时，对其进行分类和标记（更有条理）。
人工智能，机器学习和深度学习
深度学习如何适应人工智能（AI）和ML的整体情况？深度学习可提高ML的功能，并增加AI能够执行的任务范围。因为深度学习依赖于使用神经网络并识别数据集中的特征而不是简单的任务特定算法，所以它可以从非结构化（原始）数据中找到并使用细节，而无需程序员首先手动标记它 - 消耗可能引入错误的任务。深度学习有助于计算机越来越好地利用数据来帮助企业和个人。
