也许更令人惊叹的，是深度学习在自然语言理解方面的突出表现，尤其是主题分类、情绪分析、问题回答以及语言翻译。
我们认为深度学习在不远的未来会取得更大的成就，而且只需要少量的人工操作，它就能充分利用可用计算资源及积累的数据。深度神经网络中新学习算法及架构的出现将会推动它的进步。
不论深度与否，机器学习中最为常见的形式是监督学习。想象一下，现在我们需要建造一个系统，它能够识别图像中的物体是否为容器，例如房子、车辆、人，或者宠物等。首先我们会收集大量房子、车辆、人、宠物的数据集，并分别用标签标记类别。
在训练过程中，机器会识别每张图像上的物体，并且以分数矢量的方式产出结果到每个类别。我们希望目标类别得分最高，但是在训练之前，这是不可能发生的。
我们推导出一个目标函数来测量实际值与目标类别分数之间的差，然后机器将修正内部的可调整参数以减少错误。
在一个典型的深度学习系统中，可能存在着上千个、甚至上百万个可调整权重，以及大量用于训练的带标签案例。
在实际生产中，许多程序员会使用随机梯度下降法（S）。这个方法有以下几个步骤：展示几个案例的输入向量，计算输出结果及错误值，计算这些案例的平均梯度，然后对权重做出相应的调整。
经过训练之后，将通过另外一个由不同案例组成的测试集来评估系统的表现。其目的主要在于测试机器的推广能力——是否能在输入新结果的情况下得到合理的结果。
现在实际生产中，许多机器学习系统在人工提取特征的基础上使用线性分类器。一个两级线性分类器会对特征向量组件计算加权和，如果加权和高于阈值，这个输入将被分入为某一特定分类之下。
但是线性分类器在图像识别、语音识别中的应用有较大，需要诸如特征提取器等深度学习方法以实现特征学习。
一个深度学习架构是由一系列简单组件组合而成，其中所有（或者大部分）都需要学习，并且许多都能计算出非线性的输入输出映射关系。其中每个组件都会充分利用输入，以提高选择性和不变性。
这些系统拥有多个非线层），能够支持极其复杂的函数，并对微小的细节保持度，例如达到能区分萨摩耶和白狼的地步，同时忽略所占范围大的不相关变量，例如背景、姿势、光线以及周围的物体。
使用反向算法计算目标函数组件中多层堆叠权重的梯度，本质上是导数链式的一个实际应用。其中非常重要的一点在于，目标函数组件输入的导数（也就是梯度）能够通过这个组件输出的梯度倒推出来（或者是通过下一个组件的输入倒推）。