ディープ・ラーニングは、膨大な量のデータ（情報）を使用するニューラル・ネットワークと呼ばれる複雑な数学的構造を構築する機械学習（ML）の強力な形式です。
深い学習の定義
ディープ・ラーニングは、複雑なタイプのデータを処理するために複数のレイヤーのニューラル・ネットワークを使用してMLを実装する方法です。階層学習と呼ばれることもありますが、ディープラーニングでは、さまざまなタイプのニューラルネットワークを使用してフィーチャ（表現とも呼ばれます）を学習し、生の非ラベルデータ（非構造化データ）ディープ・ラーニングの最初の画期的なデモンストレーションの1つは、一連のYouTubeビデオから猫の画像をうまく選んだプログラムでした。
日常生活における深い学習の例
ディープラーニングは、画像認識だけでなく、言語翻訳、詐欺の検出、および顧客が顧客について収集したデータを分析するためにも使用されます。たとえば、Netflixは深い学習を使用して視聴習慣を分析し、どのショーや映画を見たいかを予測します。これは、Netflixがアクション映画や自然ドキュメンタリーをあなたの提案キューに入れることを知っている方法です。 Amazonは詳細な学習を使用して、最近検索した最近購入したアイテムやアイテムを分析して、あなたが興味を持っている可能性の高い新しいカントリーミュージックアルバムの提案を作成し、グレーとイエローのテニス靴。ディープ・ラーニングは、構造化されていないデータと未処理のデータからより多くの洞察を提供するため、企業はお客様のニーズをよりよく予測でき、個々の顧客はよりパーソナライズされた顧客サービスを得ることができます。
人工ニューラルネットワークと深い学習
深い学習を理解しやすくするために、人工ニューラルネットワーク（ANN）の比較を再考してみましょう。深い学習のために、私たちの15階建てのオフィスビルが5つのオフィスビルを持つ市街地ブロックを占めていると想像してください。通りの両側には3つの建物があります。私たちの建物は建物Aと建物BとCと通りの同じ側を共有しています。建物の通りを挟んで建物1、建物Bの向かい側に建物2などがあります。各建物は異なる階数を持ち、異なる素材でできており、他の建物とは異なる建築様式を持っています。しかし、各建物は依然としてオフィス（ノード）の別々の階（層）に配置されており、各建物は固有のANNです。
たとえば、テキストベースのデータ、ビデオストリーム、オーディオストリーム、電話、ラジオ波、写真など、複数のソースからのさまざまな種類の情報を含むデジタルパッケージが建物Aに到着したとします。任意の論理的方法（非構造化データ）でラベル付けまたはソートされません。情報は1階から順に各フロアに送られます。セント 15までth 処理のために。情報ジャンパーが15に達するとth フロア（出力）、それは1に送られるセント 建物3の床（入力）と建物Aの最終処理結果とを比較する。建物3は、建物Aによって送信された結果を学習し、それを組み込み、同様に各フロアを介して情報ジャンブルを処理する。情報が建物3の最上階に到達すると、その建物の結果とともに建物1に送られる。建物1は建物3の結果を学習し、それを統合してフロアごとに処理する。ビルディング1は情報と結果を同じ方法でビルCに渡します。ビルディングCはビルド2に処理して送信し、建物Bに処理して送信します。
この例の各ANN（建物）は、非構造化データ（情報の不安定さ）の異なる機能を検索し、その結果を次の建物に渡します。次の建物には、前の建物の出力（結果）が組み込まれています（学習します）。データは各ANN（建物）によって処理されるので、データが最後のANN（建物）の最終出力（最上階）に達すると分類され、ラベル付けされるように、特定の機能によって編成され、ラベル付け（分類）されます（より構造化された）。
人工知能、機械学習、深い学習
深い学習は人工知能（AI）とMLの全体像にどのように適合していますか？ディープ・ラーニングは、MLのパワーを高め、AIが実行できるタスクの範囲を広げます。深い学習は、より簡単なタスク固有のアルゴリズムではなく、ニューラルネットの使用とデータセット内の機能の認識に依存するため、プログラマが最初に手動でラベル付けする必要はなく、非構造化（未加工）データの詳細を見つけて使用できます。エラーを招く可能性のあるタスクを消費します。ディープ・ラーニングは、データを使って企業や個人の両方を支援するために、コンピュータをより良く、より良くするのに役立っています。
