第1章 绪论

1.神经网络的参数能够经过机器学习的方式来从数据中学习。

2.神经网络和深度学习并不等价，神经网络能够很好的解决贡献度分配问题，所以，神经网络模型成为深度学习中主要采用的模型。

3.一我的在不接触对方的状况下，经过一种特殊的方式，和对方进行一系列的问答。若是在至关长时间内，他没法根据这些问题判断对方是人仍是计算机，那么就能够认为这个计算机是智能的。

4.人工智能就是要让机器的行为看起来就像是人所表现出的智能行为同样。

5.人工智能研究的三个主要领域：感知---学习---认知

6.表示学习：为了提升机器学习系统的准确率，咱们就须要将输入信息转换为有效的特征，或者更通常性称为表示（Representation）。若是有一种算法能够自动地学习出有效的特征，并提升最终机器学习模型的性能，那么这种学习就是能够叫作表示学习（Representation Learning）。

7.机器学习中的局部表示和分布式表示，明确两个的区别，分布式表示特征的能力更强一些。

8.要学习到一种好的高层语义表示（通常为分布式表示），一般须要从底层特征开始，通过多步非线性转换才能获得。

9.表示学习的关键是构建具备必定深度的多层次特征表示。

10.深度学习中的深度是指：“深度”是指原始数据进行非线性特征转换的次数。

1.深度学习是机器学习的一个子问题，其主要目的是从数据中自动学习到有效的特征表示。

2.深度学习的数据处理流程：

3.深度学习采用的模型主要是神经网络模型，其主要缘由是神经网络模型可使用偏差反向传播算法，从而能够比较好地解决贡献度分配问题。只要是
超过一层神经网络都会存在贡献度分配问题，所以超过一层的神经网络均可以看做是深度学习模型。随着深度学习的快速发展，模型深度也从早期的 5 ∼ 10层到目前的数百层。随着模型深度的不断增长，其特征表示的能力也愈来愈强，从而使后续的预测更加容易。

4.在深度学习中，通常经过偏差反向传播算法来进行参数学习。

5.神经网络自然不是深度学习，但深度学习自然是神经网络。