对深度学习的最大贡献是他将机器学习技术与人脑进行了比较。 Hinton 创造了“神经网络”概念，一种结构类似于大脑神经元结构的深度学习算法。
Geoffrey Hinton 在他对神经网络的开创性研究中提出的问题是，我们是否可以创建与大脑神经元行为相似的计算机算法。
在深度学习的概念诞生期间，研究人员无法获得足够的数据或计算能力来构建和训练有意义的深度学习模型。 因此，虽然它是几十年前就被发现的，但深度学习研究的加速还是留给了我们所处的时代。
被认为是深度学习之父的 Hinton 的公司 DNNresearch 于 2013 年被谷歌收购。Hinton 也继续在谷歌工作。
深度学习的工作原理
深度学习模型旨在使用类似于人类得出结论的逻辑来持续分析数据。 为实现这一目标，深度学习应用程序使用称为神经网络的分层算法结构。 人工神经网络的设计灵感来自于人脑的生物神经网络。 人工神经网络; 导致比标准机器学习模型更熟练的学习过程。
机器学习可以有多层神经网络，而深度学习有数百或数千层。 它需要这些层来处理大量传入数据。 因为没有足够的层，就不会有足够的神经元来帮助解决已经出现的问题。
深度学习的核心是依靠迭代方法来教 塞浦路斯手机号码列表 机器模仿人类智能。 人工神经网络通过几个层级执行这种迭代方法。 第一层帮助机器学习简单的信息，知识随着层级的增加而不断积累。 在每个新级别中，机器都会收集更多信息并将其与他们在上一级别中学到的知识相结合。 在这个过程的最后，获得的信息就像是逻辑思维的一个例子。
分层学习中更高层次更抽象的数据和特征
它是根据较低级别、不太抽象的功能定义的。 这有助于算 CY列表 法和机器获取更难解析的新数据，并将其分成更容易理解和使用的区域。
例如，对于像 Siri 这样的语音助手学习说话，这个语音助手会尝试在神经网络的初始级别确定语音和语调的强度。 对于更高级别，它将收集词汇并添加到先前级别的发现中。 在下一个级别中，它将分析提示并组合所有结果。
