来自无数媒体（包括社交媒体和物联网）的图像，视频和演讲等数据的指数越来越多的数据可推动对高性能数据分析算法的需求。深度学习是目前机器学习和模式识别的极其活跃的研究领域。它提供多个非线性处理神经网络层的计算模型，以学习和表示具有升高水平的数据。深度神经网络能够隐含地捕获大规模数据的复杂结构并在云计算和高性能计算平台中部署它们。

深度学习方法在一系列应用中表现出显着的性能，包括计算机视觉，图像分类，面部/语音识别和医疗通信。然而，深度神经网络产生“黑匣子的输入 - 输出映射，这可能具有挑战性地向用户解释。特别是在医疗，军事和法律领域，黑箱机学习技术是不可接受的，因为决策可能由于缺乏可解释性而对人民的生活产生深远的影响。此外，许多其他打开的问题和挑战仍然存在，例如计算和时间成本，结果，收敛性的可重复性以及从非常少量的数据中学习的能力并动态地演变。

这一特殊问题的目的是汇集原始研究文章和审查文章，这些文章将展示机器和深层学习模式的最新理论和技术进步。欢迎有关具有改进的计算效率和可扩展性的算法的提交。我们希望这一特别问题将：1）提高深度神经网络的理解和解释性;2）增强深神经网络的数学基础;3）利用将规模的新算法提高机器的计算效率和稳定性和深度学习培训过程。

潜在主题包括但不限于以下内容：

• 监督，无监督和加强学习
• 大数据分析的分类，聚类和优化
• 从大规模和异构数据中提取理解
• 大规模和复杂数据的维度降低和分析
• 量化或可视化深神经网络的可解释性
• 深度神经网络优化的稳定性提高
• 图像/信号处理，商业智能，游戏，医疗保健，生物信息学和安全性应用中的新型机器和深度学习方法