深度学习在哪里以及为什么会发光？

如今，随着所有媒体对深度学习的讨论和炒作，我读到了一些基本的东西。我刚刚发现，这只是从数据中学习模式的另一种机器学习方法。但是我的问题是：这种方法在哪里发光，为什么发光？为什么现在都在谈论它？即是什么大惊小怪的？

主要的好处是：

（1）对于非线性学习问题，不需要手工设计功能（节省时间并可以扩展到将来，因为手工设计被某些人视为短期创可贴）

（2）学会的功能有时比最好的手工设计的功能要好，并且可能过于复杂（计算机视觉-例如类似面部的功能），以至于花费太多的时间进行设计。

（3）可以使用未标记的数据对网络进行预训练。假设我们有1000000张未标记图像和1000张已标记图像。现在，我们可以通过深度学习对1000000张未标记的图像进行预训练，从而极大地改进监督学习算法。另外，在某些域中，我们有很多未标记的数据，但是很难找到标记的数据。可以使用未标记的数据来改善分类的算法非常有价值。

（4）根据经验，打破了许多基准，直到引入深度学习方法，这些基准才逐渐得到改善。

（5）相同的算法在具有原始输入（可能需要少量预处理）的多个区域中工作。

（6）随着更多数据被馈送到网络（假设平稳分布等），该值不断提高。

除了上述内容（我没有足够的代表仅将其添加为注释）之外，另一个重要点是它是一个生成模型（至少是Deep Belief Nets），因此您可以从学习的分布中采样-这可以在某些您想要生成与学习到的类/类相对应的综合数据的应用程序中，它具有一些主要优点。