人工智能深度学习主要学习以下技术：

神经网络：

深度学习的核心是神经网络，尤其是多层感知机（MLP）和卷积神经网络（CNN）。神经网络通过模拟人脑的神经元结构来进行数据学习。

深度学习框架：

在实际应用中，深度学习需要使用相关的工具和框架，如TensorFlow、PyTorch等，这些框架提供了构建、训练和部署深度学习模型的工具和方法。

特征提取：

深度学习能够自动从大量数据中提取特征，从而有效地进行预测和分类。这是通过神经网络的层次结构实现的，每一层都能从输入数据中提取出更高级别的特征。

模型调优和优化：

为了提高模型的性能，深度学习涉及模型的调优和优化技巧，如调整学习率、正则化、优化算法等。

应用领域：

深度学习在多个领域有广泛应用，包括计算机视觉、自然语言处理、语音识别、图像识别、智能推荐系统等。

数据处理：

深度学习技术能够处理大规模、高维度的数据，并学习到数据的复杂特征。这包括数据的预处理、标注、分割等步骤。

算法优化：

深度学习算法不断优化，以提高模型的准确性和效率，例如通过使用更高效的优化算法、改进损失函数等。

硬件加速：

为了加速深度学习模型的训练和推理，常常使用GPU、TPU等硬件加速器。

模型部署：

将训练好的深度学习模型部署到实际应用中，如手机应用、服务器、边缘设备等。

伦理和隐私：

随着深度学习技术的发展，也涉及到伦理和隐私问题，如数据保护、算法公平性等。

建议初学者从学习神经网络的基本原理和常见的深度学习框架入手，结合实践项目来加深理解，并关注最新的研究进展和技术应用。