如图像，视频和语音从无数的来源，包括社交媒体和物联网，数据的指数级增长的可用性，推动了对高性能数据分析算法的需求。深度学习是目前在机器学习和模式识别一个非常活跃的研究领域。它提供了多种非线性处理的神经网络层的计算模型，以学习和抽象水平的不断提高代表的数据。深层神经网络能够隐含捕捉大规模数据的复杂结构和云计算和高性能计算平台部署。

深学习方式已证明在一系列的应用中有突出表现，包括计算机视觉，图像分类，脸部/语音识别和医疗通讯。然而，深层神经网络产生“暗箱操作”，可以是具有挑战性向用户解释输入输出映射。特别是在医疗，军事，法律等领域，暗箱机器学习技术是不可接受的，因为决定可能对人们的生活产生深远的影响，由于缺乏解释性的。此外，许多其他的问题和挑战仍然存在，如计算和时间成本，结果，收敛的可重复性，并从数据中极少量的学习和动态进化的能力。

这期特刊旨在展示机和深度学习模型和算法的最新理论和技术的进步与提高计算效率和可扩展性。我们希望，公布将提高理解和深层神经网络的explainability论文，提高深层神经网络的数学基础，并增加了新的算法，将规模机器和深度学习训练过程的计算效率和稳定性。

潜在的主题包括但不限于以下内容：

• 监督，不受监督，并强化学习
• 分类，聚类，并优化大数据分析
• 从大规模的异构数据提取的理解
• 降维和大型和复杂的数据的分析
• 量化或可视化深层神经网络的可解释性
• 深神经网络优化稳定性的改善
• 时间序列预测和水流量预测使用机器和深度学习
• 新机器和深度学习图像/信号处理，商务智能，游戏，医疗保健，生物信息学和安全的应用方法