艾哈迈德·巴纳法（Ahmed Banafa）是卡普兰大学的教职员工信息技术学院具有IT操作和管理的经验以及与研究背景相关的技术和分析。他是经过认证的Microsoft Office专家，并曾担任审阅者和技术撰稿人出版了几本商业和技术书籍。他 为现场科学贡献了这篇文章专家声音：专家和见解。
深度学习是人工智能（AI）中新兴的话题，迅速成为计算机科学中最受欢迎的领域之一。深度学习的一个子类别涉及神经网络的使用来改善语音识别，计算机视觉和自然语言处理。在过去的几年中，深度学习有助于在像物体感知，机器翻译和语音识别等多样化的领域发展 - 所有长期以来对AI研究人员很难破解的研究主题。
神经网络
在信息技术中，神经网络是一个近似人脑运行的程序和数据结构的系统。神经网络通常涉及大量并行运行的处理器，每个处理器都有其自身的知识范围，并在其本地内存中访问数据。
通常，神经网络最初是“训练的”或提供有关数据关系的大量数据和规则的（例如，“祖父比一个人的父亲大”）。然后，程序可以告诉网络如何响应外部刺激（例如，从与网络交互的计算机用户输入）或可以自己启动活动（在访问外部世界的范围内）。
深度学习VS.机器学习
要了解深度学习是什么，首先要将其与AI领域的其他学科区分开来。
AI的一个生物是机器学习，其中计算机通过监督经验提取知识。这通常涉及人类操作员通过给机器来帮助机器学习数百或数千个培训示例，并手动纠正其错误。
尽管机器学习已在AI领域中占主导地位，但确实存在问题。一方面，这非常耗时。对于另一个，它仍然不是机器智能的真实度量由于它依靠人类的创造力来提出允许计算机学习的抽象。
与机器学习不同，深度学习主要是无监督。例如，它涉及创建大规模的神经网，使计算机本身可以学习和“思考”，而无需直接人类干预。
深度学习“真的看起来不像是计算机程序，”纽约大学的心理学家和AI专家加里·马库斯（Gary Marcus）说NPR最近采访。他说，普通的计算机代码是用非常严格的逻辑步骤编写的，“但是您在深度学习中看到的是不同的；您没有很多说明说：'如果一件事是真的，那做另一件事。'专家说，人类必须“监狱”危险的人工智能才能避免厄运。这是给出的
深度学习不是线性逻辑，而是基于人类脑工作方式的理论。该程序由互连节点的纠结层制成。它通过重新安排每次新体验后的节点之间的连接来学习。
深度学习已显示出潜力作为可以解决文本中描述的情绪或事件的软件的基础（即使没有明确引用），识别照片中的对象，并对人们的未来行为做出复杂的预测。
深度学习游戏
2011年，Google启动了Google Brainproject，该项目创建了一个通过深度学习算法训练的神经网络，该网络被证明能够识别高级概念。
去年，Facebook建立了其AI研究部门，使用深入学习的专业知识来帮助创建解决方案，以便在每天上传到Facebook的3.5亿张照片和视频中更好地识别面孔和对象。
深度学习行动的另一个例子是语音识别，例如Google Now和Apple的Siri。
未来
深度学习表现出了很大的希望 - 这将使自动驾驶汽车和机器人管家成为真正的可能性。它们仍然会受到限制，但是几年前，坎多（Cando）的系统是不可想象的，而且它以前所未有的速度发展。分析大规模数据集并在计算机系统中使用深度学习的能力，可以适应体验而不是依赖人类程序员，这将导致突破。这些范围从毒品发现到开发新材料到对周围世界的更加认识的机器人。
遵循所有专家声音问题，并成为讨论的一部分 - 并成为讨论的一部分Facebook，，，，叽叽喳喳和Google +。表达的观点是作者的观点，不一定反映出版商的观点。该文章的此版本最初发表在现场科学。
