深度学习（神经网络）中许多的想法都已经存在了几十年。为什么今天这些想法火起来了呢？
促进机器学习发展的因素主要有两个：
• 数据量越来越多. 如今人们在数字设备（电脑，移动设备）上所花费的时间相比以前多得多，这些活动产生了大量的数据，我们可以使用这些数据来训练我们的算法。
• 计算能力的提升. 人类几年前才开始训练神经网络，而且这些神经网络都足够大，可以将现在的大数据作为输入。
具体来说，如果你使用的是传统的机器学习算法（如：逻辑回归），即使你拥有更大的数据量，也会出现“高原效应(plateaus)”。也就是说即使你给它更多的数据，它的学习曲线也会变得平坦(flattens out)，算法就不会再有很明显的提升了:
这就好像是传统算法不知道该怎么处理我们所拥有的全部数据。
如果你在面对监督学习任务时训练了一个小型的神经网络，可能你会获得相对较好效果:
这里，“小型神经网络(small NN)”是指具有较少的隐层神经元/层/参数。你训练的神经网络越大，性能就会越好。[1]
因此，如果你想获得较好的性能，你需要：
（1）训练一个较大的神经网络。
（2）拥有大量的数据。
还有很多其它的细节也是非常重要的，如神经网络的架构，在这方面的创新目前也是非常多的。但是想提高你算法的性能最可靠的方法还是：
（1）训练一个较大的神经网络。
（2）拥有大量的数据。
[1] 这个图展示了神经网络在数量较少的数据集上也能有不错的效果（前半部分）。神经网络在大数据中展现的效果很好，但是在小数据集上就不一定了。在小数据集中，可能传统算法会做的更好，这取决于特征的选择。比如，你只有20个训练样本，那么你使用logistic regression或神经网络可能没有什么区别，主要是特征的选择对算法结果造成的影响较大。但是，如果你拥有100万的数据量，那我更倾向使用神经网络。