1.3 深度学习的优势

1.最大限度地利用非结构化数据

Gartner研究认为，组织的数据的很大比例是非结构化的，例如图片、文字等，机器学习算法很难分析非结构化数据，而这正是深度学习变得有用的地方。

我们可以使用不同的数据格式来训练深度学习算法，并且仍然可以获得与训练目的相关的见解。例如，你可以使用深度学习算法来分析行业、发现社交媒体现有关系，预测组织股票价格。

2.消除对特征工程的需要

在机器学习中，特征工程是一项基本工作，因为它可以提高准确性，有时该过程可能需要某些领域知识。使用深度学习方法的最大优势之一是它能够自行执行特征工程。在这种方法中，算法扫描数据以识别相关特征，然后将它们组合起来以促进学习。这种能力有助于数据科学家节省大量分析时间。

3.提供高质量结果的能力

人类会感到饥饿或疲倦，有时会犯粗心大意的错误。当使用神经网络时，情况会好很多。一旦训练得当，深度学习模型就能够在相对较短的时间内执行数千项常规、重复的任务，而这与人类所需的时间相比，工作质量和效率永远不会下降，除非训练数据包不包括你要解决的问题的原始数据。

4.消除不必要的成本

召回的成本非常高，对于某些行业而言，召回可能会使组织损失数百万美元的直接成本。利用深度学习，可以检测到难以训练的主观缺陷，例如轻微的产品标签错误等。

深度学习模型还可以识别以其他方式难以检测的缺陷。

当一致的图像由于不同的原因而变得很难分辨时，深度学习可以解释这些变化并学习有价值的特征促使检查更加稳健。

5.消除对数据标记的需要

数据标记是一项费时劳力的工作。使用深度学习方法，可以使算法在没有任何指导的情况下擅长学习，因此不需要特别对数据进行标记。其他类型的机器学习方法则没有深度学习这种功能。