深度学习和挖矿
1. 什么是深度学习如何保持深度学习
现在的科技发展速度非常快，对于智能设备将是一个发展方向，而其实我们以为的智能设备并不具备我们这样的学习能力，他们是通过无数图片，视频去发现其中的学习秘密，然后慢慢发展成为智能化的，其中大家最熟知的就是深度学习这个词了，但是很多人不知道什么是深度学习？如何保持深度学习？其实简单来说就是电脑芯片的深度挖掘，可以让芯片处于长时间的工作达到保持深度学习。
这里其实我们就可以看做平时挖矿人员，用显卡去挖矿，不是一张显卡就能搞定的，需要弄很多显卡成一个工作室，来同时不间断挖矿，但是这也是非常消耗芯片寿命的，这样的显卡一般寿命都无法保证，说个题外话，也不建议懂电脑的人去买矿卡，虽然便宜但是没有任何保证，说不定哪天打游戏就突然挂了，这是没有任何维修的，不要贪图这种小便宜。
2. 什么是机器学习与数据挖掘、深度学习有什么区别
数据挖掘：也就是data mining，是一个很宽泛的概念。字面意思就是从成吨的数据里面挖掘有用的信息。这个工作BI（商业智能）可以做，数据分析可以做，甚至市场运营也可以做。你用excel分析分析数据，发现了一些有用的信息，然后这些信息可以指导你的business，恭喜你，你已经会数据挖掘了。
机器学习：machine learning，是计算机科学和统计学的交叉学科，基本目标是学习一个x->y的函数（映射），来做分类或者回归的工作。之所以经常和数据挖掘合在一起讲是因为现在好多数据挖掘的工作是通过机器学习提供的算法工具实现的，例如广告的ctr预估，PB级别的点击日志在通过典型的机器学习流程可以得到一个预估模型，从而提高互联网广告的点击率和回报率；个性化推荐，还是通过机器学习的一些算法分析平台上的各种购买，浏览和收藏日志，得到一个推荐模型，来预测你喜欢的商品。
深度学习：deep learning，机器学习里面现在比较火的一个topic（大坑），本身是神经网络算法的衍生，在图像，语音等富媒体的分类和识别上取得了非常好的效果，所以各大研究机构和公司都投入了大量的人力做相关的研究和开发。
3. 大数据与深度学习有什么区别
大数据就是许多数据的聚合；
数据挖掘就是把这些数据的价值发掘出来，比如说你有过去10年的气象数据，通过数据挖掘，你几乎可以预测明天的天气是怎么样的，有较大概率是正确的；
机器学习嘛说到底它是人工智能的核心啦，你要对大数据进行发掘，靠你人工肯定是做不来的，那就得靠机器，你通过一个模型，让计算机按照你的模型去执行，那就是机器学习啦。
4. 数据挖掘和深度学习哪个更有发展前景
数据挖掘可以分析现有数据中的隐藏信息，但我个人认为深度学习更有前景。数据挖掘主要研究收集大数据的方法，技术较深度学习成熟，属于发展较快的；深度学习是统计学和信息技术的交叉学科，侧重于如何分析运用已知大数据进行推理和建立新模型，近几年来开始受到外界重视。数据挖掘可能需要重复扫描大量数据以得出较为理想的信息，对算法要求较高；深度学习则是模仿人类神经网络的学习模式分析数据特征，以建立相应的模型。这些模型可以在被合理沿用的前提下解决一些未知的问题，但模型必须基于大量有用的学习数据，耗时较长。两者得出的结论皆可能与理想模型有差距，而且两者对提供的数据依赖较大。可以预见的是，未来很多领域遇到复杂问题会趋向于使用深度学习技术求出的结果作为参考，而不只是单纯地基于数据发掘。因为相对数据发掘而言，一个由深度学习得出来的通用模型可以解决相当多的问题。但是深度学习对编程技术和数据收集提出了更高的要求，因此成本比较高，目前深度学习的开发者多数来自大公司。【上述个人意见仅供参考】
5. 为什么挖 比特币 和 做深度学习，都要用显卡
GPU的并行计算能力甩CPU十条街，所以深度学习还是挖比特币都在使用GPU运算。
6. Python和深度学习有什么区别
python 是一门编程语言 能用来编写 深度学习 的东东
不同类型的东西 怎么能比较它们的区别?
7. 机器学习算法和深度学习的区别
一、指代不同
1、机器学习算法：是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。
2、深度学习：是机器学习(ML, Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标人工智能。
二、学习过程不同
1、机器学习算法：学习系统的基本结构。环境向系统的学习部分提供某些信息，学习部分利用这些信息修改知识库，以增进系统执行部分完成任务的效能，执行部分根据知识库完成任务，同时把获得的信息反馈给学习部分。
2、深度学习：通过设计建立适量的神经元计算节点和多层运算层次结构，选择合适的输人层和输出层，通过网络的学习和调优，建立起从输入到输出的函数关系，虽然不能100%找到输入与输出的函数关系，但是可以尽可能的逼近现实的关联关系。
三、应用不同
1、机器学习算法：：数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、DNA序列测序、语音和手写识别、战略游戏和机器人运用。
2、深度学习：计算机视觉、语音识别、自然语言处理等其他领域。
8. 深度学习和挖矿对于显卡来说啥区别
具体效果以实际运行情况为准，
不同配置的运行效果都是不同的。