绪论

• 深度学习是机器学习的一个分支，是指解决这类问题的方法。指从有限的样例中通过算法总结出一般的规律，并可以应用到新的未知数据上面。
• 深度学习采用的模型一般比较复杂，指样本的原始输入到输出目标之间的数据流经过多个线性或非线性的组件．因为每个组件都会 对信息进行加工，并进而影响后续的组件，所以当我们最后得到输出结果时，我 们并不清楚其中每个组件的贡献是多少。这个问题叫作贡献度分配问题

1.1 人工智能

• 图灵测试：“一个人在不接触 对方的情况下，通过一种特殊的方式和对方进行一系列的问答．如果在相当长时 间内，他无法根据这些问题判断对方是人还是计算机，那么就可以认为这个计算 机是智能的”。
• 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一样。
• 人工智能的主要领域

1. 感知：模拟人的感知能力，对外部刺激信息（视觉和语音等）进行感
   知和加工．主要研究领域包括语音信息处理和计算机视觉等．
2. 学习：模拟人的学习能力，主要研究如何从样例或从与环境的交互中
   进行学习．主要研究领域包括监督学习、无监督学习和强化学习等．
3. 认知：模拟人的认知能力，主要研究领域包括知识表示、自然语言理
   解、推理、规划、决策等．

1.1.1 人工智能的发展史

1.1.2 人工智能的流派

• 符号主义:又称逻辑主义、心理学派或计算机学派，是指通过分析人类智能的功能，然后用计算机来实现这些功能的一类方法。符号主义有两个基本假设：a）信息可以用符号来表示；b）符号可以通过显式的规则（比如逻辑运算）来操作．人类的认知过程可以看作符号操作过程。
• 连接主义:又称仿生学派或生理学派，是认知科学领域中的一类信息处理的方法和理论。在认知科学领域，人类的认知过程可以看作一种信息处理过程。连接主义认为人类的认知过程是由大量简单神经元构成 的神经网络中的信息处理过程，而不是符号运算。因此，连接主义模型的主要结 构是由大量简单的信息处理单元组成的互联网络，具有非线性、分布式、并行化、 局部性计算以及自适应性等特性。

1.2 机器学习

• 机器学习模型一般步骤 （4步）

1.数据预处理：经过数据的预处理，如去除噪声等。
2.特征提取：从原始数据中提取一些有效的特征．比如在图像分类中，提取边缘、尺度不变特征变换特征等。
3. 特征转换：对特征进行一定的加工，比如降维和升维。降维包括特征抽取和特征选择两种途径。常用的特 征转换方法有主成分分析（PCA）、线性判别分析（LDA）等。
4. 预测：机器学习的核心部分，学习一个函数并进行预测。

前三步中的特征处理对最终系统的准确性有着十分关键的作用。特征处理一般都需要人工干预完成，利用人类的经验来选取好的特征，并最终提高机器学习系统的性能。因此，很多的机器学习问题变成了特征工程问题。