对深度学习的理解，一层套一层，有点像筛子，逐渐过滤杂质，直到事情的本质。

使用场景，图像识别，人脸识别等

苹果的人脸识别系统就是深度学习吧，对同一个人的不同妆容学习，不会出现化妆卸妆识别不一致的情况

我是做医学检验的，简单的讲就是化验室，现在图像识别技术在影像和病理用的比较多。检验方面也有，（其实，医学检验和病理存在着一定范围的重叠区域。）比如罗氏的尿流式分析仪E411,在传统干化学基础上加入了图像识别部分，每次会出20几张图，把有问题的细胞标出来让人来判断。我看了一下，分类基本还好，除了会偶尔把圆形上皮细胞误认为红细胞外，白细胞，上皮细胞，都能识别出来。只是，他们没有数据收集部分，就我校正过的结果他们没有收集流程。只是根据每次系统更新的数据来识别细胞。至于，病理和影像的图像识别，现在已经有不少公司在做了。但也只能是辅助减少医生的工作强度而已。

通俗易懂，谢谢老师让我了解了三者的区别、

老师，一般数据量去到多大规模时用深度学习效果好于机器学习？

深度学习通过神经网络实现，只需要数据输入，神经网络就能自我训练，输出结果，至于中间的训练过程就基本处于黑盒状态。相较于机器学习，它要求更少的“人工”，更大的数据量。

1、深度学习通过不断地前向传播和后向传播，自动优化神经网络的参数，从而得到一个适应与训练数据的模型。
2、深度学习的应用场景：人脸技术、图像识别、智能监控、文字识别。