使机器去学习更有用的特征，从而最终提升分类或预测的准确性。也就是说，深度学习是对不同模式进行建模的一种方式，其结构具有较多层数的隐层节点以保证模型的深度。
同时深度学习明确突出了特征学习的重要性，其通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使识别或预测更加准确。
因此深度学习集中体现了机器学习算法的三大趋势，首先是用较为复杂的模型降低模型偏差，二是用大数据提升统计估计的准确性，三是用可扩展的梯度下降算法求解大规模优化问题。
在时下热议的人工智能相关伦理、算法歧视、算法正确性、安全性等问题中，有一个问题被时常提起，即以深度学习算法为代表的人工智能算法的可解释性问题。
人类理性的发展历程使我们相信，如果一个判断或决策是可以被解释的，我们将更容易了解其优点与不足，更容易评估其风险，知道其在多大程度上、在怎样的场合中可以被信赖。
以及我们可以从哪些方面对其进行不断改善，以尽量增进共识、减少风险，推动相应领域的不断发展。这样的思维范式或许是诞生在人工智能时代之前的稍显过时的思维模式。
