deep learning是深度學(xué)習(xí)，是機器學(xué)習(xí)的分支 ， 是一種以人工神經(jīng)網(wǎng)絡(luò)為架構(gòu)，對數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的算法 。
【deep learning是什么】至今已有數(shù)種深度學(xué)習(xí)框架，如深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和深度置信網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)已被應(yīng)用在計算機視覺、語音識別、自然語言處理、音頻識別與生物信息學(xué)等領(lǐng)域并獲取了極好的效果 。另外，“深度學(xué)習(xí)”已成為類似術(shù)語 ， 或者說是神經(jīng)網(wǎng)絡(luò)的品牌重塑 。
通過多層處理，逐漸將初始的“低層”特征表示轉(zhuǎn)化為“高層”特征表示后 ， 用“簡單模型”即可完成復(fù)雜的分類等學(xué)習(xí)任務(wù) 。由此可將深度學(xué)習(xí)理解為進(jìn)行“特征學(xué)習(xí)”（feature learning）或“表示學(xué)習(xí)”（representation learning） 。
以往在機器學(xué)習(xí)用于現(xiàn)實任務(wù)時，描述樣本的特征通常需由人類專家來設(shè)計，這成為“特征工程”（feature engineering） 。眾所周知，特征的好壞對泛化性能有至關(guān)重要的影響，人類專家設(shè)計出好特征也并非易事；特征學(xué)習(xí)（表征學(xué)習(xí)）則通過機器學(xué)習(xí)技術(shù)自身來產(chǎn)生好特征，這使機器學(xué)習(xí)向“全自動數(shù)據(jù)分析”又前進(jìn)了一步 。
