深度学习技术：信息最佳表示方式和机器学习进阶

深度学习（Deep Learning）是Hinton等人提出的一种研究信息的最佳表示及其获取方法的技术，在神经网络或信念网络的情况下是对基于深层结构或网络表示的输入输出间映射进行机器学习的过程。

深度学习属于机器学习的学术、工程领域研究中一个新的方向，可理解为人工神经网络的发展，本质上是训练深层结构模型的方法，也是对于通过多层来表示对数据之间的复杂关系进行建模的算法，目的是实现人工智能（Artificial Intelligence）的普及化。

当前回归、分类等多数学习方法一般都是浅层结构的算法，在有限的有标签样本和大量无标签样本的情况下，少量计算单元的表示能力有限，进而其泛化能力也受到了一定的制约。并且浅层模型还有一个重要特点，就是需靠人工经验来抽取样本的特征，它强调模型的主要任务是分类或预测。在模型不变的情况下，特征选取的好坏就成为整个系统性能的关键部分，这通常需要大量的人力去发掘更好的特征，而且也需要大量时间去调节，很费时费力。深度学习网络就像人类大脑的学习机制一样，在面临大量的感知信息时，通过低层特征的组合形成更加抽象的高层特征，学习到数据的分布式特征，从而可像人脑一样实现对输入信息的分级表达来表示信息的属性或类别。

深度学习的具体过程可简述为：挖掘所给样本数据的内在规律与联系，提取、分析样本的特征信息，如图像、文本和声音，处理数据信息并发出指令，控制机器的行为，使机器具有类似于人类的学习、分析、识别、处理等能力。(www.xing528.com)

深度学习是一类模式分析方法的统称，就具体研究内容而言，大致有卷积神经网络、基于多层神经元的自编码神经网络和深度置信网络3类。

目前，深度学习在多个领域取得了很多成果，如数据挖掘、机器翻译、语音识别、人脸支付、推荐服务、个性化搜索。深度学习可使机器高度模仿人类社会的具体活动，对很多复杂的识别模式很有帮助，促进了人工智能等相关领域的发展。