第1章 什么是深度学习
前言
在阅读这本书的过程中，我终于知道了人工智能，机器学习和深度学习的关系……之前虽然接触过一些相关的内容，也用过一些里面的方法，但是对于这些概念着实是傻傻分不清楚hhh
人工智能的简洁定义如下：努力将通常由人类完成的智力任务自动化。因此，人工智能是一个综合性的领域，不仅包括机器学习与深度学习，还包括更多不涉及学习的方法。例如，早期的国际象棋程序仅包含程序员精心编写的硬编码规则，并不属于机器学习。在相当长的时间内，许多专家相信，只要程序员精心编写足够多的明确规则来处理知识，就可以实现与人类水平相当的人工智能。这一方法被称为符号主义人工智能（symbolic AI），从 20 世纪50 年代到80 年代末是人工智能的主流范式。 在 20 世纪 80 年代的专家系统（expert system）热潮中，这一方法的热度达到了顶峰。 虽然符号主义人工智能适合用来解决定义明确的逻辑问题，比如下国际象棋，但它难以给出明确的规则来解决更加复杂、模糊的问题，比如图像分类、语音识别和语言翻译。于是出现 了一种新的方法来替代符号主义人工智能，这就是机器学习（machine learning）。
换句话说，机器学习系统是训练出来的，而不是明确地用程序编写出来的。机器学习的三个要素是：输入数据点，预期输出的实例，衡量算法效果好坏的方法（衡量结果是一种反馈信号，用于调节算法的工作方式，这个调节步骤就是我们所说的学习）机器学习的技术定义：在预先定义好的可能性空间中，利用反馈信号的指引来寻找输入数据的有用表示。
深度学习已经取得了以下突破，它们都是机器学习历史上非常困难的领域：
- 接近人类水平的图像分类
- 接近人类水平的语音识别
- 接近人类水平的手写文字转录
- 更好的机器翻译
- 更好的文本到语音转换
- 数字助理，比如谷歌即时（Google Now）和亚马逊 Alexa
- 接近人类水平的自动驾驶
- 更好的广告定向投放，Google、百度、必应都在使用
- 更好的网络搜索结果
- 能够回答用自然语言提出的问题
- 在围棋上战胜人类
所以说，深度学习还是非常非常重要的东西了（众人：你才知道吗）
机器学习简史
应用贝叶斯定理的机器学习分类器
logistic回归
核方法（如SVM）
决策树、随机森林方法
梯度提升机
深度卷积神经网络convnet
额外的知识点
1. 彩色图像可以编码为RGB（红- 绿 - 蓝）格式或 HSV（色相 - 饱和度 - 明度）格式，这是对相同数据的两种不同表示。在处理某些任务时， 使用某种表示可能会很困难，但换用另一种表示就会变得很简单
2. 想要了解机器学习，可以研读一下ImageNet挑战赛（到了2015年， ImageNet 的分类任务被认为是一个已经完全解决的问题）；还可以参考一下Kaggle上的机器学习竞赛：梯度提升机用于处理结构化数据的问题（XGBoost库），而深度学习则用于图像分类等感知问题（Keras库）