深度学习的发展与应用要有一定的基础，上个世纪末互联网时代到来已经有大量的数据电子化，我们有海量的文章真是太多了。有这样的数据之后就要去算它，需要算法进步。以前这个数据量规模没法算，或者数据量太大算起来太慢。就算有更好的算法还是算得很慢时，就需要芯片的技术，尤其我们现在用并行计算GPU，这个加速对各种各样的算法尤其深度学习的算法影响速度非常大。
所以一定要有这三个基础——数据、算法、芯片，在这三个核心基础上面做更高级的应用，涉及人的感官——听觉、视觉、语言这三个感官，语音的识别、计算机的视觉、自然语言的处理。
- 深度学习与机器学习
很多同学会把深度学习和机器学习划等号，实际上它们不是等号。AI的概念非常大，比如：我们用的Knowledge Base知识数据库也是一种AI，它可能没有那么智能。机器学习是AI其中的一小块，而深度学习用又是机器学习中的一小块，我们常见的CNN、RNN都属于深度学习的范畴。
同时，也做Logistics Regression知识图谱，因为知识图谱是NLP中一个很重要的应用，无论是生成知识图谱，还是用它做像问答等其他应用都是会用到的。
我们为什么要用深度学习？
可以比较一下经典机器学习和深度学习间的差异。
比如：做一个分类的问题，这两个分类问题唯一的区别就是特征工程的区别。我们用经典的机器学习算法是上面这条路，输入数据后大家就开始（包括打比赛也）做各种各样的特征工程。有了这样的特征，我们还要根据TF-IDF、互信息、信息增益等各种各样的方式去算特征值，或对特征进行过滤排序。传统机器学习或经典机器学习90%的时间，都会花在特征工程上。
而Deep learning颠覆了这个过程，不需要做特征工程。需要各种各样的特征，比如：需要一些长时间依赖的特征，那可以用RNN、LSTM这些，让它有个序列的依赖；可以用局部的特征，用各种各样的N元语法模型，现在可以用CNN来提取局部的文本特征。
深度学习节省的时间是做特征工程的时间，这也是非常看重深度学习的原因：
特征工程做起来很累。
很多实际场景是挖掘出一个好的特征或者对我们系统贡献很大的特征，往往比选择算法影响还大。用基本的特征，它的算法差距不会特别大，最多也就10个点，主要还是特征工程这块，而深度学习很好的解决了这个问题。
人工智能、大数据、云计算和物联网的未来发展值得重视，均为前沿产业，多智时代专注于人工智能和大数据的入门和科谱，在此为你推荐几篇优质好文：
人工智能，机器学习和深度学习之间，主要有什么差异？
http://www.duozhishidai.com/article-15858-1.html
关于机器学习、深度学习和AI的完全初学者指南
http://www.duozhishidai.com/article-15261-1.html
干货：深度学习 vs 机器学习 vs 模式识别三种技术对比
http://www.duozhishidai.com/article-15119-1.html
多智时代-人工智能和大数据学习入门网站|人工智能、大数据、物联网、云计算的学习交流网站
