Ana iddia edilen faydalar:
(1) Doğrusal olmayan öğrenme problemleri için el mühendisi özelliklerini kullanmanıza gerek yoktur (zamandan tasarruf edin ve geleceğe ölçeklenebilir, çünkü el mühendisliği bazıları tarafından kısa vadeli yara bandı olarak görülür)
(2) Öğrenilen özellikler bazen en iyi el yapımı özelliklerden daha iyidir ve o kadar karmaşık olabilir (bilgisayar görme - örneğin yüz benzeri özellikler), mühendisliği yapmak için çok fazla zaman alacaktır.
(3) Ağı önceden eğitmek için etiketlenmemiş verileri kullanabilir. Diyelim ki 1000000 etiketsiz resim ve 1000 etiketli resim var. Şimdi derin öğrenme ile 1000000 etiketlenmemiş görüntüler üzerinde önceden eğitim alarak denetimli bir öğrenme algoritmasını önemli ölçüde geliştirebiliriz. Buna ek olarak, bazı alanlarda çok fazla etiketlenmemiş veri var, ancak etiketlenmiş verileri bulmak zor. Bu etiketlenmemiş verileri sınıflandırmayı iyileştirmek için kullanabilen bir algoritma değerlidir.
(4) Ampirik olarak, derin öğrenme yöntemlerinin tanıtılmasına kadar sadece artımlı iyileştirmeler gören birçok kriteri parçaladı.
(5) Aynı algoritma ham (belki de küçük ön işleme) girdileri olan birden fazla alanda çalışır.
(6) Ağa daha fazla veri beslendikçe gelişmeyi sürdürür (sabit dağılımlar vs. varsayarak).