什么是深度学习，请答？
深度学习是一种机器学习，它使用旨在以类似于人脑的方式运行的算法。
- 与人工智能和机器学习相关
深度学习是机器学习（ML）的一个子集，机器学习（ML）本身就是人工智能（AI）的一个子集。AI 的概念自 1950 年代以来一直存在，其目标是使计算机能够以类似于人类的方式思考和推理。作为让机器能够思考的一部分，ML 专注于如何让它们在没有明确编程的情况下学习。深度学习通过创建更复杂的分层模型来模拟人类学习新信息的方式，从而超越了机器学习。
- 神经网络驱动深度学习
在 AI 和 ML 的背景下，模型是一种数学算法，经过训练可以得出与人类专家在提供相同信息时得出的结果或预测相同的结果或预测。在深度学习中，算法受到人脑结构的启发，称为神经网络。这些神经网络由互连的网络开关构建而成，旨在学习以与人类大脑和神经系统相同的方式识别模式。
- 深度学习驱动未来
人工智能的许多最新进展都是通过深度学习实现的。从流媒体服务推荐到语音助手技术再到自动驾驶，识别模式和对许多不同类型的信息进行分类的能力对于在几乎没有人工输入的情况下处理大量数据至关重要。
深度学习如何运作？
虽然 AI 的最初目标广泛地是让机器能够做原本需要人类智能的事情，但此后的几十年里，这个想法已经得到了改进。Google 的 AI 研究员兼机器学习软件库 Keras 的创建者 Francois Chollet 说：“智能不是技能本身，也不是你能做什么，而是你学习新事物的能力和效率。” 1
深度学习专注于改进让机器学习新事物的过程。借助基于规则的 AI 和 ML，数据科学家可以确定要包含在模型中的规则和数据集特征，从而推动这些模型的运行方式。通过深度学习，数据科学家将原始数据输入算法。然后系统会分析该数据，而无需预先编入特定规则或功能。一旦系统做出预测，就会根据一组单独的数据对其进行检查以确保其准确性。这些预测的准确度（或不准确）会通知系统做出的下一组预测。
深度学习中的“深度”是指神经网络随着时间的推移积累了很多层，随着网络的深入，性能会提高。网络的每一层都以特定的方式处理其输入数据，然后通知下一层。所以一层的输出成为下一层的输入。
训练深度学习网络非常耗时，并且随着系统逐渐完善其模型，需要摄取和测试大量数据。神经网络自 1950 年代以来就已经存在，但直到最近几年，计算能力和数据存储能力都已发展到可以使用深度学习算法来创建令人兴奋的新技术的地步。例如，深度学习神经网络使计算机能够执行语音识别、计算机视觉、生物信息学和医学图像分析等任务。
深度学习与机器学习
虽然所有深度学习都是机器学习，但并非所有机器学习都是深度学习。这两种技术都涉及针对测试数据的训练，以确定哪种模型最适合数据。然而，传统的机器学习方法需要一定程度的人工交互来预处理数据，然后才能应用算法。
机器学习是人工智能的一个子集。它的目标是让计算机能够学习，而无需专门针对要提供的输出进行编程。机器学习使用的算法帮助计算机学习如何识别事物。这种培训可能很乏味，并且需要大量的人力。
深度学习算法更进一步，通过创建旨在反映我们自己大脑思维过程的分层模型。它使用多层神经网络，不需要对输入数据进行预处理即可产生结果。数据科学家将原始数据输入到算法中，系统根据已知信息和新数据推断出的数据进行分析，并做出预测。
深度学习的优势在于它可以以简单的基于规则的 AI 所不能的方式处理数据。该技术可用于推动明确的业务成果，如改进欺诈检测、提高作物产量、提高仓库库存控制系统的准确性等等。
深度学习的当前应用
许多行业的公司都在应用深度学习模型来解决各种用例。以下只是深度学习在现实世界中的众多应用中的一小部分。
医疗保健：当今的医疗行业正在产生大量数据。能够快速准确地分析这些数据可以通过多种方式改善患者的治疗效果。深度学习算法正被应用于医学研究、成像分析、疾病预防、引导药物开发和自然语言处理等领域——这对于填写电子健康记录 (EHR) 中的自由文本临床笔记尤其有用。
制造：制造商需要以更低的成本更快地提供更高质量的产品和服务。许多公司正在采用计算机辅助工程 (CAE) 来减少开发物理原型以测试新产品所需的时间、费用和材料。深度学习可用于对多维数据中非常复杂的模式进行建模，并提高测试数据的分析准确性。
金融服务：欺诈是许多行业日益严重的问题，对于金融服务提供商而言尤其如此。深度学习可用于快速且经济高效地识别不合模式的行为。深度学习模型提供的洞察力还可以帮助更准确地评估贷款申请人的信用风险、预测股票价值、自动化后台运营以及为客户提供金融产品方面的建议。
公共部门：随着越来越多的部门、系统和流程变得数字化，政府机构可以使用深度学习来提高自动化程度并提高公务员的效率。图像检测和分类可以使执法部门更容易在公共场所找到感兴趣的人。签证和移民申请可以通过算法进行简化，以自动化处理的某些方面。机场正在使用深度学习来提高安全性、增强运营和自动化队列管理。深度学习模型甚至可用于帮助预测交通状况，并允许地方当局采取积极措施缓解道路拥堵。