你需要知道人工智能的演變
深度學習是機器學習 （ML）的一種強大形式，它利用大量數據（信息）構建稱為神經網絡的複雜數學結構。
深度學習定義
深度學習是使用多層神經網絡來處理更複雜類型的數據的一種實現ML的方式。 有時稱為分層學習，深度學習使用不同類型的神經網絡來學習特徵（也稱為表示），並在大量未加標籤的原始數據（非結構化數據）中找到它們。 深度學習的第一個突破性示範之一是成功從YouTube視頻集合中挑選出貓的圖像的程序。
日常生活中的深度學習例子
深度學習不僅用於圖像識別，還用於語言翻譯，欺詐檢測以及分析公司收集的有關其客戶的數據。 例如，Netflix使用深度學習來分析您的觀看習慣，並預測您喜歡觀看哪些節目和電影。 這就是Netflix知道如何將動作片和自然紀錄片放入你的建議隊列。 亞馬遜使用深度學習來分析您最近購買的東西以及您最近搜索的產品，以便為您可能感興趣的新鄉村音樂專輯創建建議，並且您在市場上購買一對灰色和黃色網球鞋。 隨著深度學習提供了來自非結構化和原始數據的越來越多的洞察力，企業可以更好地預測客戶的需求，而個人客戶可以獲得更個性化的客戶服務。
人工神經網絡與深度學習
為了讓深入的學習更容易理解，讓我們重新審視一下人工神經網絡 （ANN）的比較。 對於深度學習，想像我們的15層辦公大樓與另外五棟辦公大樓一起佔據著一座城市街區。 街道兩邊有三幢建築物。 我們的建築物是A建築物，與建築物B和C共享街道的同一側。A建築物的對面是建築物1，B建築物的對面是2號建築物等等。 每棟建築都有不同的地板數量，由不同的材料製成，並且與其他建築風格不同。 然而，每棟建築物仍然安排在不同的辦公室（節點）樓層（層） - 所以每棟建築物都是獨特的人工神經網絡。
想像一下，數字包裹到達A號樓，包含來自多種來源的各種信息，如基於文本的數據，視頻流，音頻流，電話，無線電波和照片等等。然而，它到達了一個巨大的混亂區域，未以任何邏輯方式標記或排序（非結構化數據）。 信息從第1層到第 15層依次通過各層進行處理。 信息混雜到達15層（輸出）後，隨著A樓的最終處理結果被發送到3號樓的1樓（輸入）.3號樓學習並結合了A樓發送的結果和然後以相同的方式處理每個樓層的信息混雜。 當信息到達建築物3的頂層時，將其從該建築物的結果發送到建築物1.建築物1在逐層處理之前從建築物3中學習並合併其結果。 建築1以相同的方式將信息和結果傳遞給建築物C，建築物C處理並發送到建築物2，建築物2處理並發送到建築物B.
在我們的示例中，每個ANN（建築物）在非結構化數據（信息混雜）中搜索不同的特徵，並將結果傳遞給下一個建築物。 下一個建築物結合（學習）前一個的輸出（結果）。 由於數據由每個ANN（建築物）處理，因此它被特定特徵組織和標記（分類），以便當數據到達最後一個ANN（建築物）的最終輸出（頂層）時，它被分類和標記（更結構化）。
人工智能，機器學習和深度學習
深度學習如何適應人工智能 （AI）和ML的整體情況？ 深度學習提升ML的力量並增加AI能夠執行的任務範圍。 由於深度學習依賴於使用神經網絡和識別數據集中的特徵而不是簡單的特定於任務的算法 ，它可以從非結構化（原始）數據中找到並使用詳細信息，而無需程序員首先手動標記它 - 一次 - 可能導致錯誤的消耗任務。 深度學習幫助計算機在使用數據幫助公司和個人時變得越來越好。