深度学习是近年来发展迅速的人工智能研究领域，本质上是机器学习的一个分支。其核心特点与内涵可总结如下：

1. 定义与定位

• 深度学习属于机器学习，旨在从有限样本中学习一般规律，并应用于未知数据。

• 例如：从历史病例中学习症状与疾病的关联，用于新病例的诊断。

2. 核心特点：模型复杂性

• 深度学习模型通常具有多层次、非线性的数据处理组件，信息从输入到输出经过多个阶段的加工与抽象。

• 这种复杂性导致了贡献度分配问题（CAP）——难以确定模型中每个组件对最终结果的贡献程度，而解决该问题是模型学习的关键。

3. 主要模型：人工神经网络（ANN）

• 人工神经网络受生物神经系统的启发构建，是一种并行、非线性的信息处理模型。

• 它通过多层神经元连接，对输入信息进行逐层加工与抽象，最终提取高层语义表示。

• 神经网络可视为一个由参数控制的复杂函数，其参数可通过数据驱动的方式学习调整。

4. 深度学习与神经网络的关系

• 深度学习不等同于神经网络，也可采用其他复杂模型（如深度信念网络）。

• 但由于神经网络能有效解决贡献度分配问题，它已成为深度学习中最主流的模型。

• 深度学习最初用于表示学习，现逐渐扩展至推理、决策等更广泛的人工智能任务。

5. 研究与应用

• 深度学习在计算机视觉、自然语言处理等领域取得了显著成功。

• 相关研究涵盖模型设计、学习方法及实际应用，推动着人工智能的持续发展。

关键点总结：

• 深度学习：一种通过复杂多层次模型从数据中自动学习规律的机器学习方法。

• 核心挑战：贡献度分配问题（CAP）。

• 主流方法：人工神经网络及其变体。

• 应用范围：从表示学习扩展到通用人工智能任务。

通过将底层特征逐层转化为高级抽象表示，深度学习显著提升了机器在感知与认知任务上的能力，成为当前人工智能进展的重要推动力。