ディープ学習（ディープ・ラーニング）は、機械学習、人工知能と機械学習で必要不可欠な方法です。
現時点では、AIアプリケーションの最も優れた性能は、人工知能の第三の波をリードし、深い学習技術を使用しています。
コンセプトの深さの調査
深学習方法は、機械学習に基づいて特徴付けられた学習データです。
約ニューラルネットワークに等しい、上の伝統的なニューラルネットワークのアップグレードに基づくようにそれは機械学習のカテゴリーに属していると言うことができます。その利点は、手動で教師なしまたは半教師付きタイプ機能の特徴を得るために効率的な代替アルゴリズムの特徴抽出を学習し、階層的です。
ディープ学習は、彼らのモチベーションを構築することです、機械学習研究の新しい分野である人間の脳のメカニズムは、画像、音声、テキストなどのデータを、解釈する模倣ニューラルネットワークを、学習分析するために、人間の脳をシミュレートします。
II。利点と学習の深さの欠点
伝統的な機械学習の特徴抽出は、主に特定のタスクの簡単な手動抽出意志機能のシンプルで効果的なのためのマニュアル、時間に依存しますが、普遍的ではありません。特徴抽出の深学習マニュアルに依存しませんが、自動抽出機。
次のように☆学習の深さの主な利点は以下のとおりです。
メリット1：学習能力
この結果から、強い学習能力と学習の深さは、パフォーマンスが非常に良いです。
メリット2：広いカバレッジ、適応性
深さの多くの層、幅の広いを学習ニューラルネットワークは、理論的には、任意の関数にマッピングすることができ、我々は非常に複雑な問題を解決することができます。
利点3：データドライバ、高い最大
ディープ学習は、データの量、より優れた性能、より大きなデータに大きく依存しています。画像認識、顔認識、NLP特に他の分野における。
4つの利点：良いポータビリティ
学習の深さの優れた性能に、フレームワークの多くは一例TensorFlow、Pytorchのために、使用することができます。これらのフレームワークは、多くのプラットフォームと互換性があります。
☆詳細な研究は、欠陥があります：
一つの欠点：計算集約、貧しいポータビリティ
コストが非常に高いので、深さの学習は、データと計算多くの電力を必要とします。そして今、多くのアプリケーションは、モバイルデバイス上での使用に適していません。ポータブル機器用のチップで多くの企業とR＆Dチームはすでにあります。
2つの短所：高いハードウェア要件
厳しい力をカウントする学習の深さは、通常のCPUは、学習の深さの要件を満たすことができませんでした。
3短所：モデル設計の複雑さ
非常に複雑なモデルの設計深さ研究と新しいアルゴリズムやモデルを開発する人材と物的資源と多くの時間を要します。ほとんどの人は唯一の既製のモデルを使用しています。
4欠点：なし「人間性」がない、簡単に偏っ
奥行きデータ依存学習、および解釈可能高いわけではないので。ようにトレーニングデータの不均衡の状況、人種差別との性差別があるでしょう。
III。3典型的な深さの学習アルゴリズム
畳み込みニューラルネットワーク（CNN）、リカレントニューラルネットワーク（RNN）は、発電対決ネットワーク（GAN）は、3つの典型的な深さの学習アルゴリズムです。
畳み込みニューラルネットワーク・ベースのコンピューティング畳み込みの一つであり、ニューラルネットワーク構造フィードフォワード深さを有する、それは学習アルゴリズムの深さを表しています。
画像処理におけるCNNは、現在、画像分類を検索検出、オブジェクトセグメンテーション、顔認識、認識骨を標的とし、他のフィールドは、アプリケーションの広い範囲を持って、非常に有利です。
ニューラルネットワークは、配列進化の方向の連鎖データ入力のシーケンスに従って環状リカレントニューラルネットワークのクラス、および再帰的にすべてのノードの（循環手段）です。
深さ、フィールド調査、RNNは、シーケンスデータ処理のための効果的なアルゴリズムです。記述されている画像のフィールドを生成するテキスト生成、音声認識、機械翻訳では、videoタグは、アプリケーションの広い範囲を持っています。
深い学習モデルに対する世代ネットワークは教師なし学習アルゴリズムの最後の2年間は非常に人気があります。
GANは、画像変換、画像への変換テキスト、画像編集、画像復元、および他の多くの分野への人の顔写真、画像持つアプリケーションの広い範囲を生成する画像データを生成し、写真、画像、さらにはビデオ非常に現実的に生成することができます。