承認されたビューは、基になるデータを保護するために使用されます。承認されたビューは、アクセスが制限された別のデータセットで作成されます。

説明
従来の機械学習は、1つの入力層と1つの出力層、およびその間に最大1つの隠れ層で構成される浅いネットに依存しています。3つ以上のレイヤー（入力と出力を含む）は、「ディープ」ラーニングと見なされます。
非常に深いとは、厳密に定義された専門用語であり、複数の隠れ層を意味します。
深層学習ネットワークでは、ノードの各レイヤーは、前のレイヤーの出力に基づいて、個別の機能セットでトレーニングを行います。ニューラルネットに進むほど、ノードが認識できる機能は複雑になります。これは、ノードが前のレイヤーの機能を集約して再結合するためです。
隠れ層が1つしかないニューラルネットワークでは、目などの顔の高レベルの特徴を自動的に認識できません。これは、次のような低レベルの特徴を検出する以前の隠れ層を使用してこれらの特徴を「構築」できないためです。行として。
生の画像データに対して特徴エンジニアリングを実行することは困難です。
K-meansクラスタリングは、ラベルのないデータを分類するために使用される教師なし学習方法です。
参照：https：//deeplearning4j.org/neuralnet-overview

線形モデルのカテゴリの特徴は、通常、可能な各値が対応するインデックスまたはIDを持つスパースベクトルに変換されます。たとえば、可能な目の色が3つしかない場合、「eye_color」を長さ3のベクトルとして表すことができます。「茶色」は[1、0、0]になり、「青」は[0、1、0]になります。緑'は[0、0、1]になります。これらのベクトルは、可能な値のセットが非常に大きい場合（すべての英語の単語など）、非常に長く、多くのゼロが含まれる可能性があるため、「スパース」と呼ばれます。
[0、0、0、1、0、0、1]は、2つの1が含まれているため、スパースベクトルではありません。スパースベクトルには1つだけが含まれます。
[0、5、0、0、0、0]は、5が含まれているため、スパースベクトルではありません。スパースベクトルには、0と1のみが含まれます。