深度学习、人工智能、支持向量机、神经网络优缺点、适用对象和范围、典型应用场景或案例、算法的用法、预期效果、限制因素或使用局限性，当前发展应用趋势。

1. 深度学习：深度学习是一种基于神经网络的机器学习算法，它可以通过大量数据的无监督学习和反向传播算法的训练来识别、分类和预测数据。其优点为可以处理大量非线性数据，具有很强的泛化能力，适用于图像识别、语音识别、自然语言处理等领域。缺点是需要大量的数据和计算资源，训练时间和成本较高。

2. 人工智能：人工智能是一种模拟人类智能的技术，具有自主学习、推理、决策和交互等能力。其优点为可以解决复杂的决策问题，提高工作效率和准确性，适用于金融、医疗、交通等领域。缺点是需要处理大量数据和算法，对数据质量和隐私保护要求较高。

3. 支持向量机：支持向量机是一种基于统计学习理论的分类算法，通过找到最优的超平面将数据分为两类。其优点为具有较高的分类准确性和泛化能力，适用于文本分类、图像分类等领域。缺点是对数据量和维度敏感，需要选择合适的核函数和参数。

4. 神经网络：神经网络是一种基于人脑神经元结构的模型，可以通过多层次的神经元进行特征提取和分类。其优点为可以自适应地学习数据的特征和规律，适用于图像识别、语音识别、自然语言处理等领域。缺点是需要大量的数据和计算资源，训练时间和成本较高。

5. 典型应用场景或案例：深度学习可应用于自动驾驶、智能家居、人脸识别等领域；人工智能可应用于智能客服、金融风控、智能制造等领域；支持向量机可应用于医学诊断、客户分类等领域；神经网络可应用于图像处理、自然语言处理等领域。

6. 算法的用法和预期效果：不同算法的用法和预期效果因应用场景和数据不同而异。

7. 限制因素或使用局限性：不同算法的限制因素或使用局限性因应用场景和数据不同而异。

8. 当前发展应用趋势：当前发展应用趋势是将深度学习、人工智能、支持向量机、神经网络等技术应用于更多的领域，如智慧城市、智慧物流、智慧医疗等，同时加强对数据质量和隐私保护的重视。