深度學習和挖礦
1. 什麼是深度學習如何保持深度學習
現在的科技發展速度非常快，對於智能設備將是一個發展方向，而其實我們以為的智能設備並不具備我們這樣的學習能力，他們是通過無數圖片，視頻去發現其中的學習秘密，然後慢慢發展成為智能化的，其中大家最熟知的就是深度學習這個詞了，但是很多人不知道什麼是深度學習？如何保持深度學習？其實簡單來說就是電腦晶元的深度挖掘，可以讓晶元處於長時間的工作達到保持深度學習。
這里其實我們就可以看做平時挖礦人員，用顯卡去挖礦，不是一張顯卡就能搞定的，需要弄很多顯卡成一個工作室，來同時不間斷挖礦，但是這也是非常消耗晶元壽命的，這樣的顯卡一般壽命都無法保證，說個題外話，也不建議懂電腦的人去買礦卡，雖然便宜但是沒有任何保證，說不定哪天打游戲就突然掛了，這是沒有任何維修的，不要貪圖這種小便宜。
2. 什麼是機器學習與數據挖掘、深度學習有什麼區別
數據挖掘：也就是data mining，是一個很寬泛的概念。字面意思就是從成噸的數據裡面挖掘有用的信息。這個工作BI（商業智能）可以做，數據分析可以做，甚至市場運營也可以做。你用excel分析分析數據，發現了一些有用的信息，然後這些信息可以指導你的business，恭喜你，你已經會數據挖掘了。
機器學習：machine learning，是計算機科學和統計學的交叉學科，基本目標是學習一個x->y的函數（映射），來做分類或者回歸的工作。之所以經常和數據挖掘合在一起講是因為現在好多數據挖掘的工作是通過機器學習提供的演算法工具實現的，例如廣告的ctr預估，PB級別的點擊日誌在通過典型的機器學習流程可以得到一個預估模型，從而提高互聯網廣告的點擊率和回報率；個性化推薦，還是通過機器學習的一些演算法分析平台上的各種購買，瀏覽和收藏日誌，得到一個推薦模型，來預測你喜歡的商品。
深度學習：deep learning，機器學習裡面現在比較火的一個topic（大坑），本身是神經網路演算法的衍生，在圖像，語音等富媒體的分類和識別上取得了非常好的效果，所以各大研究機構和公司都投入了大量的人力做相關的研究和開發。
3. 大數據與深度學習有什麼區別
大數據就是許多數據的聚合；
數據挖掘就是把這些數據的價值發掘出來，比如說你有過去10年的氣象數據，通過數據挖掘，你幾乎可以預測明天的天氣是怎麼樣的，有較大概率是正確的；
機器學習嘛說到底它是人工智慧的核心啦，你要對大數據進行發掘，靠你人工肯定是做不來的，那就得靠機器，你通過一個模型，讓計算機按照你的模型去執行，那就是機器學習啦。
4. 數據挖掘和深度學習哪個更有發展前景
數據挖掘可以分析現有數據中的隱藏信息，但我個人認為深度學習更有前景。數據挖掘主要研究收集大數據的方法，技術較深度學習成熟，屬於發展較快的；深度學習是統計學和信息技術的交叉學科，側重於如何分析運用已知大數據進行推理和建立新模型，近幾年來開始受到外界重視。數據挖掘可能需要重復掃描大量數據以得出較為理想的信息，對演算法要求較高；深度學習則是模仿人類神經網路的學習模式分析數據特徵，以建立相應的模型。這些模型可以在被合理沿用的前提下解決一些未知的問題，但模型必須基於大量有用的學習數據，耗時較長。兩者得出的結論皆可能與理想模型有差距，而且兩者對提供的數據依賴較大。可以預見的是，未來很多領域遇到復雜問題會趨向於使用深度學習技術求出的結果作為參考，而不只是單純地基於數據發掘。因為相對數據發掘而言，一個由深度學習得出來的通用模型可以解決相當多的問題。但是深度學習對編程技術和數據收集提出了更高的要求，因此成本比較高，目前深度學習的開發者多數來自大公司。【上述個人意見僅供參考】
5. 為什麼挖 比特幣 和 做深度學習，都要用顯卡
GPU的並行計算能力甩CPU十條街，所以深度學習還是挖比特幣都在使用GPU運算。
6. Python和深度學習有什麼區別
python 是一門編程語言 能用來編寫 深度學習 的東東
不同類型的東西 怎麼能比較它們的區別?
7. 機器學習演算法和深度學習的區別
一、指代不同
1、機器學習演算法：是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、演算法復雜度理論等多門學科。
2、深度學習：是機器學習(ML, Machine Learning)領域中一個新的研究方向，它被引入機器學習使其更接近於最初的目標人工智慧。
二、學習過程不同
1、機器學習演算法：學習系統的基本結構。環境向系統的學習部分提供某些信息，學習部分利用這些信息修改知識庫，以增進系統執行部分完成任務的效能，執行部分根據知識庫完成任務，同時把獲得的信息反饋給學習部分。
2、深度學習：通過設計建立適量的神經元計算節點和多層運算層次結構，選擇合適的輸人層和輸出層，通過網路的學習和調優，建立起從輸入到輸出的函數關系，雖然不能100%找到輸入與輸出的函數關系，但是可以盡可能的逼近現實的關聯關系。
三、應用不同
1、機器學習演算法：：數據挖掘、計算機視覺、自然語言處理、生物特徵識別、搜索引擎、醫學診斷、DNA序列測序、語音和手寫識別、戰略游戲和機器人運用。
2、深度學習：計算機視覺、語音識別、自然語言處理等其他領域。
8. 深度學習和挖礦對於顯卡來說啥區別
具體效果以實際運行情況為准，
不同配置的運行效果都是不同的。