假设你有一个一千列和一百万行的数据集。不管你从哪个视点看它——小型，中型或大型的数据——你不可能看到它的全貌。将它扩大或缩小。使它可以在一个屏幕里显现彻底。因为人的实质，假如可以看到事物的大局的话，咱们就会有更好的了解。有没有方法把数据都放到一张图里，让你可以像调查地图相同调查数据呢？

将深度学习与拓扑数据剖析结合在一起彻底可以达到此意图，而且还捉襟见肘。

1、它能在几分钟内创立一张数据图，其间每一个点都是一个数据项或一组相似的数据项。

根据数据项的相关性和学习形式，体系将相似的数据项组合在一起。这将使数据有仅有的表明方法，而且会让你更明晰地洞悉数据。可视化图中的节点由一个或多个数据点构成，而点与点之间的链接则代表数据项之间高相似性。

2、它展现了数据中的形式，这是运用传统商业智能无法辨认的。

下面是个事例，展现的是算法是怎么只是经过剖析用户行为来辨认两组不同的人群。典型的特征区别，黄色和蓝色点：女人和男性。

假如咱们剖析行为类型，咱们会发现，其间一组大部分是发送信息（男性），而另一组则多为接纳信息（女人）。

3、它能在多层面上辨认分段数据

分段数据表现在多种层面上——从高层次分类到具有相同数据项的分组。

在一个Netflix数据集的比方中，每个数据项是一部电影。最高层次的一组是音乐，孩子，交际和成人电影。中层次的部分包括不同分段：从印度片和港片到惊悚片和恐怖片。在低层次中是电视连续剧分组，比方“全能管家”，“办公室”，“奥秘博士”等。

4、它能剖析任何数据：文本，图画，传感器数据，乃至音频数据。

任何数据都可以被分段并了解，假如可以将它展现为数字矩阵，其间每一行是一个数据项，列是一个参数。下面这些是最常见的用例：

5、假如你引导它，它能学习更杂乱的依靠联络。

挑选一组数据项，将它们分组，算法就会发现一切相关或相似的数据项。重复这个进程数次，那么神经网络可以学习到它们之间的差异，比方Mac硬件，PC硬件和一般电子文本的差异。

对20000篇归于20个不同主题的文章进行了开始剖析，得出一个密布的点云图（左图）。在运用深度学习迭代几回之后，算法会将它们进行分类，错误率只是1.2%（右图）。

6、即便没有监督它也可以学习

深度学习和自编码器模拟了人类大脑活动，而且可以在数据会集自动辨认高层次的形式。例如，在谷歌大脑方案中，自编码器经过“观看”一千万条YouTube视频截取的数字图画，成功地学习并辨认出人和猫脸：

我最近在运用拓扑数据剖析和深度学习，并开宣布一套东西，它将这些技能转化成了一个用户友爱型界面，可以让人们调查数据并发现潜在联络。