思想如下图：
A：大量的数据，训练出模型；
B：新的数据，经过模型判断出结果。
笔记：训练的数据：数值、图像、语音等数据。对这些数据训练出模型。使用模型预测新的数据。后续更新......
《DEEP LEARNING》读书笔记
1、先提取一个合适的特征集，然后将这些特征提供给简单的机器学习算法。
有些任务很难知道需要提取哪些特征，因为某些物体在不同的情况下，显示的表面图片不一样。
如果使用机器学习来发掘表示本身解决上面的困境，被称为表示学习。表示学习是，机器学习这些特征，查找合适的特征集。
2、表示算法----＞自编码器
自编码器：编码器函数和解码器函数组成。
思想：编码器将输入数据转换成一种不同的表示，而解码器将这个新的表示转化为原来的形式。
目标：尽可能保留信息，新的表示有各种好的特征。 这个特征是不是指可以表示这物体的特征集？
为了实现不同的特征，可以设计不同的自解码器
3、分离出能解释观察数据的变差因素。
变差因素：与对象相关的影响因素。大多数需要理清变差因素，忽略我们不关心的因素。
4、深度学习：通过较简单的表示来表示复杂表示。计算机通过较简单的概念构建复杂的概念。如图 1：
图 1
深度学习把所需的复杂映射分散成一系列嵌套的简单映射来表示。
可见层：用户可以直接观察到的变量；
隐藏层：从图像中提取的越来越多的综合的抽象特征，不是由用户直接给出；
A：第一层可以根据像素的亮度识别边缘；
B：第二层可以根据第一层的边描述，搜索由边集合构成的角和轮廓；
C：根据轮廓和角的特定集合，来检测待定对象的整个部分
输出层：识别图像描述中存在的对象。
5、深度学习典型例子：前馈神经网络、多层感知机
多层感知机：是一个将一组输入值映射到输出值的数学函数。该函数由许多简单的函数复合而成。近似理解不同函数的每一次应用，都为输入值的提供了新的表示。
6、AI学科的区分，如图 2：
图 2
阴影部分表示从数据中学习到的部分，不需要用户操作。