深度学习引爆了一场革命，将人工智能带上了一个新的台阶

机器学习是一门专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能的学科。机器学习是人工智能的核心要素和基础，主要就是研究计算机如何模拟或实现人类的学习行为，以获取新的知识或技能，其应用遍及人工智能的各个领域。该领域的顶级专家Alpaydin先生如此定义：“机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。”

要使机器像人一样拥有知识，具有智能，就必须使机器具有获得知识的能力。机器可以直接向书本、向教师学习，亦可以在实践过程中不断总结经验、吸取教训，实现自身的不断完善。这种学习方式一般称为机器学习。机器学习是研究如何使用计算机来模拟人类学习活动的一个研究领域，更严格地说，就是研究计算机获取新知识和新技能、识别现有知识、不断改善性能、实现自我完善的方法。

深度学习自2006年由Geoffrey Hinton教授和他的两个学生提出后，使得机器学习有了突破性的进展，极大地推动了人工智能水平的提升。2013年，《麻省理工技术评论》把它列入年度十大技术突破之一。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。深度学习能从数学上优化每一层的结果，从而使学习速度加快。几年后，深度学习算法被移植到GPU上，速度提升巨大。深度学习算法并不足以保证复杂的逻辑思考，但它是目前所有人工智能必不可少的组成部分，包括IBM的Watson、Google的搜索引擎以及Facebook的算法。

深度学习是机器学习的一个子集，多层神经网络从大量数据中进行学习。深度学习是机器学习研究中的一个新的领域，它模拟人类大脑神经网络的工作原理，将输出的信号通过多层处理，将底层特征抽象为高层类别，它的目标是更有效率、更精确地处理信息。深度学习使得人工智能在以下几个主要领域获得了突破性进展：

1）在语音识别领域。微软研究人员通过与hinton合作，首先将RBM和DBN引入到语音识别声学模型训练中，并且在大词汇量语音识别系统中获得巨大成功，使得语音识别的错误率相对减低30%。

2）在图像识别领域。通过构造深度卷积神经网络（CNN），将错误率由26%大幅降低至15%，又通过加大加深网络结构，进一步降低到11%。

3）在自然语言处理领域。深度学习在自然语言处理等领域主要应用于机器翻译以及语义挖掘等方面。基于深度学习可获得了与其他方法水平相当的结果，但可以免去繁琐的特征提取步骤。

深度学习对人工智能的发展意义重大，用吴恩达的话来形容，深度学习实现了人工智能的正循环。我们需要注意的是，深度学习只是“更接近”人脑的学习方式，总体而言，它还处于对人脑简单模拟的阶段，并不能把深度学习完全等同于人脑，毕竟人类对人脑的了解程度要远远低于对计算机的了解程度。

目前，深度学习是最接近人类大脑的智能学习方法，深度学习引爆了一场革命，将人工智能带上了一个新的台阶，将对一大批产品和服务产生深远影响。未来，深度学习将继续解决各种识别相关的问题，比如视觉（图像分类、分割，计算摄影学），语音（语音识别），自然语言（文本理解）；同时，在能够演绎的方面如图像文字描述、语音合成、自动翻译、段落总结等也会逐渐出现突破。