如果深度学习是机器学习的一个子集，那么它们有什么区别？ 深度学习与经典的机器学习的不同之处在于其使用的数据类型和学习方法。

机器学习算法利用结构化的标记数据进行预测，即从模型的输入数据来定义特定特征并将其组织加入表格。 这并不一定意味着它不使用非结构化数据；而是在使用非结构化数据时，通常会经过一些预处理以将其组织成结构化形式。

深度学习可消除一部分与机器学习相关的数据预处理过程。 这些算法可以提取和处理非结构化数据，如文本和图像， 还可以自动提取特征，消除一些对专家的依赖。 例如，假设我们有一组不同宠物的照片，我们想按"猫"、"狗"、"仓鼠"等进行分类。 深度学习算法可以确定哪些特征（例如耳朵）对于区分一种动物和另一种动物最为重要。 在机器学习中，这种特征层次结构由专家手动建立。

然后，通过梯度下降和反向传播的过程，深度学习算法调整并适应准确性，以更高的准确度预测新的动物照片。  

机器学习和深度学习模型也能够进行不同类型的学习，通常分为受监督学习、无监督学习和强化学习。 受监督学习利用标记的数据集进行分类或预测；这需要某种人为干预来正确标记输入数据。 相比之下，无监督学习不需要标记的数据集，而是检测数据中的模型，并按区分特征进行收集。 在强化学习过程中，模型学习在基于反馈的环境中更准确地执行操作，以获得尽可能多的奖励。

要更深入了解不同技术之间的细微差别，请参阅"AI vs. 机器学习 vs. 深度学习 vs. 神经网络：有什么区别？ "

为进一步了解监督式学习和未受监督的学习，查看"监督学习与无监督学习：有什么区别？ "

深度学习神经网络或人工神经网络尝试结合数据输入、权重和偏差来模仿人脑。 这些元素协同工作，以准确识别、分类和描述数据中的对象。

深度神经网络由多层互连节点组成，每个节点都建立在前一层的基础上，以细化和优化预测或分类。 这种通过网络进行的计算是前向传播。 深度神经网络的输入层和输出层称为 可视 层。 深度学习模型在输入层提取数据进行处理，在输出层进行最终预测或分类。

另一个称作反向传播的过程使用 梯度下降等算法计算预测中的误差，然后在各层反向传播函数的权重和偏差来进行调整，以此训练模型。 正向传播和反向传播共同支持神经网络进行预测并相应地纠正错误。 算法会逐渐变得更加准确。

这些是用最简单的术语来描述最简单的深度神经网络类型。 然而，深度学习算法非常复杂，并且不同类型的神经网络可以解决特定的问题或处理特定的数据集。 例如，

• 卷积神经网络 (CNN)  主要用于计算机视觉和图像分类应用，可以检测图像内的特征和模型，帮助完成目标检测或识别等任务。 2015 年，一个 CNN 首次在物体识别挑战中击败了人类。
• 循环神经网络 (RNN)  利用顺序或时间序列数据，通常用于自然语言和语音识别应用程序。

现实世界的深度学习应用是我们日常生活的一部分，但在大多数情况下，它们已经无缝集成到产品和服务中，用户意识不到后台进行的复杂数据处理。 其中一些示例包含以下内容：

执法
 

深度学习算法可以分析和学习交易数据来识别危险模式，指出可能存在欺诈或犯罪活动。 语音识别、计算机视觉和其他深度学习应用可从声音和视频记录、图像和文档中提取模型和证据，提高调查分析的效率和有效性，通过深度学习进而帮助执法部门更快速准确地分析大量数据。

金融服务
 

金融机构经常使用深度学习预测分析来推动股票的算法交易，评估贷款审批的业务风险，检测欺诈行为，并帮助客户管理信贷和投资组合。

客户服务
 

许多组织在客户服务流程中使用深度学习技术。 聊天机器人应用于各种应用、服务和客户服务门户网站，是一种简单的 AI 形式。 传统的聊天机器人使用自然语言甚至视觉识别，这在类似于呼叫中心的菜单中很常见。 然而，更加 成熟的聊天机器人解决方案 试图通过学习来确定对含糊不清的问题是否存在多种回答。 根据收到的回答，聊天机器人尝试直接回答这些问题或将对话转至人工客服。

像苹果的 Siri、Amazon Alexa 或 Google Assistant 这样的虚拟助手通过使用语音识别功能扩展聊天机器人的回答。 这创建了一种以个性化方式吸引用户使用的新方法。

医疗行业
 

自医院记录和图像实现数字化以来，医疗保健行业从深度学习功能中获益颇丰。 图像识别应用程序为医学成像专家和放射科医生提供支持，深度学习帮助他们在更短的时间内分析和评估更多的图像。

深度学习需要强大的计算能力。 高性能 图形处理单元 (GPU)  是理想之选，它们可以在具有大量可用内存的多个内核中处理大量计算。 但是，在本地管理多个 GPU 产生大量内部资源需求，并且扩展成本高昂。