深度学习是人工智能领域中机器学习的分支，是一种以人工神经网络（Artificial Neural Network，ANN）为基础架构，对数据进行特征学习的计算机算法。
深度学习的概念源于人工神经网络的相关研究。与人工神经网络类似，深度学习也试图模仿大脑神经元之间递质的传递和信息的处理。与人工神经网络的区别在于，深度学习是以专家系统（Expert System，ES）为代表，用大量“如果-就”（If-Then）规则定义的“自上而下”的算法结构，而人工神经网络则是一种“自下而上”的结构。
深度学习被应用到机器学习领域。包含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过多层处理，逐渐将初始的“低层”特征表示转化为“高层”特征表示，之后用简单模型即可完成复杂的分类等学习任务。正因为有这么多特性，深度学习也可以称作特征学习（Feature Learning）、表示学习（Representation Learning）或分层学习（Hierarchical Learning）。
机器学习的算法和数据训练集中在特征学习和表达部分。有趣的是，这部分工作一般是由人工而非机器完成的。人类专家通过建立模型描述样本的特征，但是人类专家设计出好的模型并非易事。如果用算法自动学习取代人类专家建模，就需要用到深度学习。也就是说，深度学习使机器学习在全自动数据分析的方向上前进了一步。
2006年，加拿大多伦多大学教授、机器学习领域的泰斗杰弗里·辛顿（Geoffrey Hinton）和他的学生拉斯兰·萨拉赫特迪诺夫（Ruslan Salakhutdinov）在《科学》（Science）上发表了一篇文章，开启了深度学习在学术界和工业界发展的浪潮。如今，已有数种深度学习架构，如深度神经网络、深度置信网络、递归神经网络和卷积神经网络等，广泛应用于计算机视觉、语音识别、自然语言处理、音频识别、社交网络信息过滤、机器翻译、生物信息学、药物设计、医学图像分析、材料检查和棋盘游戏程序等领域，它们产生的结果可与人类专家媲美，甚至在某些情况下优于人类专家。(www.xing528.com)
案例 人类视觉系统信息处理的深度学习
从低级的V1区提取边缘特征，再到识别V2区的形状或目标部分，再到更高层，即整个目标。也就是说，高层特征是低层特征的组合，从低层到高层特征表示越来越抽象，越来越能表现语义或意图。抽象层面越高，存在的可能猜测就越少，就越利于分类。17人的大脑对视觉成像过程的分层处理如图2.11所示。
图2.11 人的大脑对视觉成像过程的分层处理
案例 反欺诈和反洗钱中的深度学习
监测欺诈或洗钱的传统方法可能依赖于交易金额，而深度学习非线性技术包括时间、地理位置、IP（互联网协议）地址、零售商的类型以及任何可能表明欺诈活动的特征。神经网络的第一层处理原始数据输入（例如交易金额），并将其作为输出传递到下一层；第二层通过输入其他信息（例如用户的IP地址）来处理上一层的信息，并传递其结果。下一层获取第二层的信息，并输入诸如地理位置等的原始数据，使机器的模式更加完善。这一方式在神经网络的所有层次上持续进行。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
