1 深度学习简介

机器学习是实现人工智能的一种途径。
深度学习是机器学习的一个子集，也就是说深度学习是实现机器学习的一种方法。
深度学习是机器学习中一种基于对数据进行特征学习的算法。
深度学习是基于人工神经网络，深度是指网络中使用多层，每层都通过非线性变换处理数据，并逐渐提取出更复杂、更抽象的特征。

注意：深度学习（Deep Learning）是机器学习的分支，是一种以人工神经网络为架构，对数据进行特征学习的算法。深度学习中的形容词“深度”是指在网络中使用多层。

2 深度学习原理

传统机器学习算法依赖人工设计特征，并进行特征提取；而深度学习方法不需要人工，而是依赖算法自动提取特征。
深度学习通过模仿人脑的神经网络来处理和分析复杂的数据，从大量数据中自动提取复杂特征。这也是深度学习被看做黑盒子，可解释性差的原因。
深度学习尤其擅长处理高维数据，如图像、语音和文本。

注意：深度学习核心思想是==通过模仿人脑的神经网络来处理和分析复杂的数据，从大量数据中自动提取复杂特征==，擅长处理高维数据，如图像、语音和文本。

3 深度学习特点

(1) 多层非线性变换：深度学习模型由多个层次组成，每一层都应用非线性激活函数对输入数据进行变换。较低的层级通常捕捉到简单的特征（如边缘、颜色等），而更高的层级则可以识别更复杂的模式（如物体或面部识别）。
(2) 自动特征提取：与传统机器学习算法不同，深度学习能够自动从原始数据中学习到有用的特征，而不需要人工特征工程。这使得深度学习在许多领域中表现出色。
(3) 大数据和计算能力：深度学习模型通常需要大量的标注数据和强大的计算资源（如GPU）来进行训练。大数据和高性能计算使得深度学习在图像识别、自然语言处理等领域取得了显著突破。
(4) 可解释性差：深度学习模型内部的运作机制相对不透明，被称为“黑箱”，这意味着理解模型为什么做出特定决策可能会比较困难。这对某些应用场景来说是一个挑战。

4 常见深度学习模型

(1) 卷积神经网络 (Convolutional Neural Networks, CNN)
(2) 循环神经网络 (Recurrent Neural Networks, RNN)
(3) 自编码器 (Autoencoders)
(4) 生成对抗网络 (Generative Adversarial Networks, GAN)
(5) Transformer
(6) 深度强化学习（Deep Reinforcement Learning, DRL）
(7) 图神经网络（GNN, Graph Neural Network）

5 深度学习应用场景

(1) 计算机视觉
(2) 自然语言处理
(3) 自动驾驶
(4) 推荐系统
(5) 医疗健康
(6) 工业与制造业
(7) 语音与音频处理