与一般的机器学习不同的是，通过添加更多层以及向层内添加更多单元，深度网络可以表示复杂性不断增加的函数。给定足够大的模型（层数设计）和足够大的标注训练数据集，我们可以通过深度学习将输入向量映射到输出向量，完成大多数对人来说能够迅速处理的任务。

　　这一部分是描述参数化函数近似技术的核心，几乎所有现代实际应用的深度学习背后都用到了这一技术。首先，描述用于表示这些函数的前反馈深度网络模型，接着提出正则化和优化这种模型的高级技术，如果把上述模型扩展到大输入需要专门化（如高分辨率图像（图像识别）或者长时间序列（文本分类））。之后就详细介绍扩展到大图像的卷积网络和用于处理时间序列的循环神经网络。最后是关于深度学习的应用，提出了一些实用方法的准则，对设计、构建、配置一些深度学习。

现代深度学习为监督学习提供了一个强大的框架