理工酷

深度学习既指深度神经网络，也指机器学习的其他分支，例如深度强化学习。典型的深度学习模型就是很深层的神经网络。

神经网络是一组算法，可以根据人的大脑进行宽松建模，旨在识别模式。他们通过一种机器感知，标记或聚集原始输入来解释感官数据。它们识别的模式是数字，包含在向量中，所有真实世界的数据（包括图像，声音，文本或时间序列）都必须转换成数字。

神经网络可以帮助我们进行聚类和分类，可以将它们视为存储和管理数据之上的聚类和分类层，它们可以根据示例输入之间的相似性对未标记的数据进行分组，并在有标记数据集要进行训练时对数据进行分类。 （更准确地说，神经网络提取的特征会传送给其他算法进行聚类和分类；因此，可以将深度神经网络视为用于强化学习，分类和回归算法的大型机器学习应用程序。）

“深层”是指具有多个隐藏层的神经网络。

神经网络的深度允许它构造一个增加抽象度的特征层次结构，随后的每个层都充当过滤器，用于过滤越来越多的结合了上一层特征的复杂特征。当深层网络学习重建无监督数据时，会自动创建此功能层次结构和对数据的重要性进行建模的过滤器。因为深层网络可以处理构成世界上大多数数据的非监督数据，所以深网比无法处理非监督数据的传统ML算法更加准确。

深度学习将输入映射到输出，找到相关性。它被称为“通用逼近器”，因为它可以学习近似任何输入x和任何输出y之间的函数f（x）= y，但前提是它们完全通过相关或因果关系建立。