প্রধান উদ্দিষ্ট সুবিধা:
(1) অ-লিনিয়ার লার্নিং সমস্যার জন্য ইঞ্জিনিয়ার বৈশিষ্ট্যগুলি হ্যান্ড করার দরকার নেই (ভবিষ্যতের জন্য সময় এবং স্কেলযোগ্য বাঁচান, যেহেতু হ্যান্ড ইঞ্জিনিয়ারিংকে কিছু লোক স্বল্প-মেয়াদী ব্যান্ড-সহায়তা হিসাবে দেখায়)
(২) শিখে নেওয়া বৈশিষ্ট্যগুলি কখনও কখনও সেরা হ্যান্ড ইঞ্জিনিয়ারিং বৈশিষ্ট্যগুলির চেয়ে ভাল হয় এবং এটি এত জটিল হতে পারে (কম্পিউটার দৃষ্টি - উদাহরণস্বরূপ মুখের মতো বৈশিষ্ট্য) যাতে ইঞ্জিনিয়ার হতে মানব সময় লাগে time
(3) নেটওয়ার্কটিকে প্রাক-প্রশিক্ষণের জন্য লেবেলযুক্ত ডেটা ব্যবহার করতে পারেন। ধরুন আমাদের কাছে 1000000 লেবেলযুক্ত চিত্র এবং 1000 লেবেলযুক্ত চিত্র রয়েছে। গভীর শিক্ষার মাধ্যমে 1000000 লেবেলবিহীন চিত্রগুলিতে প্রাক-প্রশিক্ষণ দিয়ে আমরা এখন তদারকি করা শেখার অ্যালগরিদমকে মারাত্মকভাবে উন্নতি করতে পারি। তদতিরিক্ত, কিছু ডোমেনে আমাদের কাছে অনেক বেশি লেবেলযুক্ত ডেটা থাকে তবে লেবেলযুক্ত ডেটা খুঁজে পাওয়া শক্ত। শ্রেণিবিন্যাস উন্নত করতে এই লেবেলযুক্ত ডেটা ব্যবহার করতে পারে এমন একটি অ্যালগরিদম মূল্যবান।
(৪) অভিজ্ঞতার সাথে, অনেকগুলি মানদণ্ডগুলি ধ্বংস করেছিল যা গভীর শিক্ষার পদ্ধতিগুলি প্রবর্তন না করা পর্যন্ত কেবল বৃদ্ধিমূলক উন্নতি দেখছিল।
(৫) একই অ্যালগরিদম কাঁচা (সম্ভবত মাইনর প্রাক প্রসেসিং সহ) ইনপুটগুলির সাথে একাধিক অঞ্চলে কাজ করে।
()) আরও ডেটা নেটওয়ার্কে খাওয়ানো হওয়ায় উন্নতি বজায় রাখে (স্টেশনারি বিতরণগুলি ধরে রেখে)।