从 Goolge Scholar 的第一页开始，人们会发现一些很有前景的摘要。

I. Arel,DC Rose, TP Karnowski深度机器学习——人工智能研究的新前沿

本文概述了过去十年提出的主流深度学习方法和研究方向。需要强调的是，每种方法都有优势和“劣势”，具体取决于所使用的应用程序和上下文。因此，本文对深度机器学习领域的现状进行了总结，并对它可能如何发展提出了一些看法。卷积神经网络 (CNN) 和深度信念网络 (DBN)（以及它们各自的变体）之所以受到关注，主要是因为它们在深度学习领域已经很成熟，并且对未来的工作有很大的希望。

Yann LeCun、Yoshua Bengio 和 Geoffrey Hinton，深度学习，自然

深度学习允许由多个处理层组成的计算模型来学习具有多个抽象级别的数据表示。这些方法极大地提高了语音识别、视觉对象识别、对象检测和许多其他领域（如药物发现和基因组学）的最新技术水平。深度学习通过使用反向传播算法来发现大型数据集中的复杂结构，以指示机器应如何更改其内部参数，这些参数用于根据前一层的表示来计算每一层的表示。深度卷积网络在处理图像、视频、语音和音频方面带来了突破，而循环网络则在文本和语音等序列数据上有所体现。

@frankov 建议添加此图，该图总结了对机器学习不同风格的一种解释。

什么是机器学习？

机器学习是科学家构建可以学习的算法的一种方式。

• 选择任何任务 T，例如开车。
• 那么你的算法就可以显示出一定程度的性能 P。
• 如果这随着经验 E 的改善而改善，那么该算法被称为...
• 学到了！

那么什么是深度学习？

好吧，它有点复杂，但基本上假设你试图逼近一个函数。你有输入，你有输出。但是你不知道中间发生了什么。例如，我们知道人类可以很好地驾驶汽车，他们不会（经常）撞车，但我们真的不知道大脑是如何工作来实现这一点的......

因此，让我们考虑一个试图驾驶汽车的神经网络模型。它有点像大脑。所以模型有很多层。事实上，它是一个函数中的函数，等等。因为有许多函数相互嵌套……我们用深度这个词来描述它！

在一行中：

深度学习是神经网络的一种，神经网络是机器学习器的一种。而已 ：-）

我推荐这本教科书。

谷歌“机器学习”，你会发现很多定义。什么是深度学习可能只是稍微难以理解。每个人都会同意神经网络是机器学习的一部分。然而，“传统”神经网络在具有大量隐藏层的网络上往往表现不佳（“过度训练”）。具有大量隐藏层的网络（到目前为止）一直是解决复杂问题（如图像识别）所必需的。深度学习是用于在神经网络的隐藏层中找到最佳常数的许多技术的名称，这样在具有大量隐藏层的网络中就不会发生过度训练。

人工智能是一个更大的领域，一个知识领域。机器学习是一个子领域，由例如监督和非监督方法等多种技术组成。在监督学习中，一种著名的方法称为人工神经网络。具有一定特征的人工神经网络称为深度神经网络。有点奇怪，深度学习像机器学习一样成为了这样一个流行词，这确实让人有点困惑。出现这样一个流行词的一个可能原因是，训练深度神经网络的可行性使机器学习领域，甚至一般的人工智能，能够解决许多以前似乎很难解决的问题。今天有些人称它们为唾手可得的果实，但大多数人都同意它们在过去一点都不微不足道。