假如你有一個一千列和一百萬行的數據集。無論你從哪個角度看它——小型，中型或大型的數據——你不可能看到它的全貌。將它放大或縮小。使它能夠在一個屏幕里顯示完全。由于人的本質，如果能夠看到事物的全局的話，我們就會有更好的理解。有沒有辦法把數據都放到一張圖里，讓你可以像觀察地圖一樣觀察數據呢？

將深度學習與拓撲數據分析結合在一起完全能夠達到此目的，并且還綽綽有余。

1、它能在幾分鐘內創建一張數據圖，其中每一個點都是一個數據項或一組類似的數據項。

基于數據項的相關性和學習模式，系統將類似的數據項組合在一起。這將使數據有唯一的表示方式，并且會讓你更清晰地洞察數據?？梢暬瘓D中的節點由一個或多個數據點構成，而點與點之間的鏈接則代表數據項之間高相似性。

2、它展示了數據中的模式，這是使用傳統商業智能無法識別的。

下面是個案例，展示的是算法是如何僅僅通過分析用戶行為來識別兩組不同的人群。典型的特征區分，黃色和藍色點：女性和男性。

如果我們分析行為類型，我們會發現，其中一組大部分是發送信息（男性），而另一組則多為接收信息（女性）。

3、它能在多層面上識別分段數據

分段數據表現在多種層面上——從高層次分類到具有相同數據項的分組。

在一個Netflix數據集的例子中，每個數據項是一部電影。最高層次的一組是音樂，孩子，外交和成人電影。中層次的部分包含不同分段：從印度片和港片到驚悚片和恐怖片。在低層次中是電視連續劇分組，比如“萬能管家”，“辦公室”，“神秘博士”等。

4、它能分析任何數據：文本，圖像，傳感器數據，甚至音頻數據。

任何數據都可以被分段并理解，如果可以將它展現為數字矩陣，其中每一行是一個數據項，列是一個參數。下面這些是最常見的用例：

5、如果你引導它，它能學習更復雜的依賴關系。

選擇一組數據項，將它們分組，算法就會發現所有相關或類似的數據項。重復這個過程數次，那么神經網絡可以學習到它們之間的差異，比如Mac硬件，PC硬件和一般電子文本的差異。

對20000篇屬于20個不同主題的文章進行了初步分析，得出一個密集的點云圖（左圖）。在使用深度學習迭代幾次之后，算法會將它們進行分類，錯誤率僅僅1.2%（右圖）。

6、即使沒有監督它也能夠學習

深度學習和自編碼器模擬了人類大腦活動，并且能夠在數據集中自動識別高層次的模式。例如，在谷歌大腦計劃中，自編碼器通過“觀看”一千萬條YouTube視頻截取的數字圖像，成功地學習并識別出人和貓臉：

我最近在使用拓撲數據分析和深度學習，并開發出一套工具，它將這些技術轉換成了一個用戶友好型界面，能夠讓人們觀察數據并發現潛在聯系。