第1章 緒論

1.神經網絡的參數能夠經過機器學習的方式來從數據中學習。

2.神經網絡和深度學習並不等價，神經網絡能夠很好的解決貢獻度分配問題，所以，神經網絡模型成爲深度學習中主要採用的模型。

3.一我的在不接觸對方的狀況下，經過一種特殊的方式，和對方進行一系列的問答。若是在至關長時間內，他沒法根據這些問題判斷對方是人仍是計算機，那麼就能夠認爲這個計算機是智能的。

4.人工智能就是要讓機器的行爲看起來就像是人所表現出的智能行爲同樣。

5.人工智能研究的三個主要領域：感知---學習---認知

6.表示學習：爲了提升機器學習系統的準確率，咱們就須要將輸入信息轉換爲有效的特徵，或者更通常性稱爲表示（Representation）。若是有一種算法能夠自動地學習出有效的特徵，並提升最終機器學習模型的性能，那麼這種學習就是能夠叫作表示學習（Representation Learning）。

7.機器學習中的局部表示和分佈式表示，明確兩個的區別，分佈式表示特徵的能力更強一些。

8.要學習到一種好的高層語義表示（通常爲分佈式表示），一般須要從底層特徵開始，通過多步非線性轉換才能獲得。

9.表示學習的關鍵是構建具備必定深度的多層次特徵表示。

10.深度學習中的深度是指：「深度」是指原始數據進行非線性特徵轉換的次數。

1.深度學習是機器學習的一個子問題，其主要目的是從數據中自動學習到有效的特徵表示。

2.深度學習的數據處理流程：

3.深度學習採用的模型主要是神經網絡模型，其主要緣由是神經網絡模型可使用偏差反向傳播算法，從而能夠比較好地解決貢獻度分配問題。只要是
超過一層神經網絡都會存在貢獻度分配問題，所以超過一層的神經網絡均可以看做是深度學習模型。隨着深度學習的快速發展，模型深度也從早期的 5 ∼ 10層到目前的數百層。隨着模型深度的不斷增長，其特徵表示的能力也愈來愈強，從而使後續的預測更加容易。

4.在深度學習中，通常經過偏差反向傳播算法來進行參數學習。

5.神經網絡自然不是深度學習，但深度學習自然是神經網絡。