深度学习是机器学习的一个分支，使用多层计算节点（被称为神经元）网络，创建一个模仿人类大脑处理信息行为的人工神经网络。
深度学习是一种广受欢迎的技术，用于处理计算机视觉、语音识别、药物设计、癌症诊断、自动翻译、聊天机器人和自动驾驶汽车等领域的任务。
它是什么？
深度学习是机器学习的一个分支，使用多层神经网络，相较于以前的 ML 模型甚至是人类专家的表现，能够产生更好的结果。它可以识别数据中的模式，并应用这些模式进行预测。
如今，它被广泛应用，并在诸如特斯拉的自动驾驶汽车、谷歌的翻译和图像搜索以及 AlphaGo（在围棋比赛中击败了人类围棋大师）等游戏引擎领域带来创新。
由于通过云获得的计算能力允许处理更大量的数据并从中学习，人们对深度学习的兴趣日益增长。与传统的数据科学方法相比，深度学习可以解决更复杂的任务，并实现更高的准确度。
有何益处？
深度学习使企业能够提供创新产品和服务——从自动驾驶汽车到个性化的新闻推送。它还可以将一些任务（例如一些客服查询工作）自动化来提高员工生产率，使员工能够肩负起更多可增加价值的工作。
深度学习可降低运营成本、提高劳动生产率，并使您能够更快地做出更好的决策。
需考量的因素？
并非每个数据问题都适合采用深度学习。在许多情况下，采用深度学习可能会过犹不及；而在另一些情况下，可能有更好的工具可供使用。
深度学习也会产生难以解释的结果。如果用于计算的数据集有错误，或者更糟糕的是有偏差，您得到的结果就会有缺陷。
许多当下最佳的深度学习模型都是在定制硬件上进行训练的，有时还在定制硬件上执行，而这会增加运营成本。
与其它机器学习工具相比，深度学习模型通常需花费更长时间来训练，而且训练它们所需的数据量也更大。考虑到它们的规模，转移模型（例如从测试环境转移到生产环境）也会耗费大量金钱和时间成本。
如何应用？
深度学习是一个快速发展的领域，所以使用案例的数量一直在增长。也就是说，前沿研究创造了许多进步成果：如某家企业使用的是未经研究证实的深度学习模型，这实属罕见。
深层语义模型是用于图像和视频分类以及自然语言处理的概念，其中，计算机系统试图解释人类语言——包括口头和书面语言。它被用于开发游戏智能代理（如国际象棋、围棋、扑克等）以及语音识别智能代理，如 Siri 和其它虚拟助手。
Would you like to suggest a topic to be decoded?
Just leave your email address and we'll be in touch the moment it's ready.