艾哈邁德·巴納法（Ahmed Banafa）是卡普蘭大學的教職員工信息技術學院具有IT操作和管理的經驗以及與研究背景相關的技術和分析。他是經過認證的Microsoft Office專家，並曾擔任審閱者和技術撰稿人出版了幾本商業和技術書籍。他 為現場科學貢獻了這篇文章專家聲音：專家和見解。
深度學習是人工智能（AI）中新興的話題，迅速成為計算機科學中最受歡迎的領域之一。深度學習的一個子類別涉及神經網絡的使用來改善語音識別，計算機視覺和自然語言處理。在過去的幾年中，深度學習有助於在像物體感知，機器翻譯和語音識別等多樣化的領域發展 - 所有長期以來對AI研究人員很難破解的研究主題。
神經網絡
在信息技術中，神經網絡是一個近似人腦運行的程序和數據結構的系統。神經網絡通常涉及大量並行運行的處理器，每個處理器都有其自身的知識範圍，並在其本地內存中訪問數據。
通常，神經網絡最初是“訓練的”或提供有關數據關係的大量數據和規則的（例如，“祖父比一個人的父親大”）。然後，程序可以告訴網絡如何響應外部刺激（例如，從與網絡交互的計算機用戶輸入）或可以自己啟動活動（在訪問外部世界的範圍內）。
深度學習VS.機器學習
要了解深度學習是什麼，首先要將其與AI領域的其他學科區分開來。
AI的一個生物是機器學習，其中計算機通過監督經驗提取知識。這通常涉及人類操作員通過給機器來幫助機器學習數百或數千個培訓示例，並手動糾正其錯誤。
儘管機器學習已在AI領域中占主導地位，但確實存在問題。一方面，這非常耗時。對於另一個，它仍然不是機器智能的真實度量由於它依靠人類的創造力來提出允許計算機學習的抽象。
與機器學習不同，深度學習主要是無監督。例如，它涉及創建大規模的神經網，使計算機本身可以學習和“思考”，而無需直接人類干預。
深度學習“真的看起來不像是計算機程序，”紐約大學的心理學家和AI專家加里·馬庫斯（Gary Marcus）說NPR最近採訪。他說，普通的計算機代碼是用非常嚴格的邏輯步驟編寫的，“但是您在深度學習中看到的是不同的；您沒有很多說明說：'如果一件事是真的，那做另一件事。'專家說，人類必須“監獄”危險的人工智能才能避免厄運。這是給出的
深度學習不是線性邏輯，而是基於人類腦工作方式的理論。該程序由互連節點的糾結層製成。它通過重新安排每次新體驗後的節點之間的連接來學習。
深度學習已顯示出潛力作為可以解決文本中描述的情緒或事件的軟件的基礎（即使沒有明確引用），識別照片中的對象，並對人們的未來行為做出複雜的預測。
深度學習遊戲
2011年，Google啟動了Google Brainproject，該項目創建了一個通過深度學習算法訓練的神經網絡，該網絡被證明能夠識別高級概念。
去年，Facebook建立了其AI研究部門，使用深入學習的專業知識來幫助創建解決方案，以便在每天上傳到Facebook的3.5億張照片和視頻中更好地識別面孔和對象。
深度學習行動的另一個例子是語音識別，例如Google Now和Apple的Siri。
未來
深度學習表現出了很大的希望 - 這將使自動駕駛汽車和機器人管家成為真正的可能性。它們仍然會受到限制，但是幾年前，坎多（Cando）的系統是不可想像的，而且它以前所未有的速度發展。分析大規模數據集並在計算機系統中使用深度學習的能力，可以適應體驗而不是依賴人類程序員，這將導致突破。這些範圍從毒品發現到開發新材料到對周圍世界的更加認識的機器人。
遵循所有專家聲音問題，並成為討論的一部分 - 並成為討論的一部分Facebook，，，，嘰嘰喳喳和Google +。表達的觀點是作者的觀點，不一定反映出版商的觀點。該文章的此版本最初發表在現場科學。
