文章目录
一. 深度学习概念
先放一张图来理解下人工智能、机器学习、神经网络和深度学习之间的关系。
深度学习是机器学习的一个分支领域：它从数据中学习表示，强调从连续的层中学习，这些层对应于越来越有意义的表示。
1.深度的概念
2.分层表示是通过什么模型学习得到的
浅层学习
与之相对，其他机器学习方法的重点通常是仅学习一两层的数据表示（例如获取像素直方图，然后应用分类规则），因此有时也被称为浅层学习（shallow learning）。
3.深度学习网络和大脑模型有关吗？
4.深度学习算法学到的数据表示是什么样的？
我们来看一个深度神经网络如何对数字图像进行变换，以便识别图像中的数字，如图所示。
信息穿过过滤器不断提纯数据
5.这就是深度学习的技术定义：一种多层的学习数据表示的方法。
二. 深度学习与机器学习的区别
深度学习是机器学习的一种特殊形式，两者的区别在于其所处理的数据类型和学习方法。
经典的机器学习算法需要人工干预，先对数据集进行预处理，然后再将其导入模型。这意味着人要在模型的输入数据中定义和标记特定特征，并组织到表格中，然后再将其导入机器学习模型。相反，深度学习算法不需要这种级别的预处理，并且能够理解非结构化数据，例如文本文档、像素数据图像或音频数据文件。
在有大量数据，却缺乏相关主题的背景知识或手头有复杂耗时的任务的情况下，深度学习可能优于经典机器学习。
三. 理解深度学习的工作原理
1. 每层的转换进行权重参数化
2. 怎么衡量神经网络的质量
3. 怎么减小损失值
训练循环：使损失函数最小化
四. 深度学习已取得的进展
深度学习已经实现了以下突破，它们都是机器学习历史上非常困难的领域：
我们已成功将深度学习应用于许多问题，而这些问题在几年前还被认为是无法解决的。这些问题包括自动识别档案馆保存的上万份古代手稿，使用简单的智能手机在田间检测植物病害并对其进行分类，协助肿瘤医师或放射科医生解读医学影像数据，预测洪水、飓风甚至地震等自然灾害，等等。
all in 深度学习
五. 人工智能的未来 - 不要太过焦虑跟不上
虽然我们对人工智能的短期期望可能不切实际，但长期来看，前景是光明的。我们才刚刚开始将深度学习应用于许多重要的问题，从医疗诊断到数字助理。在这些问题上，深度学习都具有变革性的意义。
在过去十年里，人工智能研究一直在以惊人的速度向前发展，这在很大程度上是由于人工智能短暂历史中前所未见的资金投入，但到目前为止，这些进展很少能够转化为改变世界的产品和流程。
深度学习的大多数研究成果尚未得到应用，至少尚未应用到它在各行各业中能够解决的所有问题上。医生和会计师都还没有使用人工智能，你在日常生活中可能也并不经常使用人工智能技术。
当然，你可以向智能手机提出一些简单的问题并得到合理的回答，也可以在亚马逊网站上得到相当有用的产品推荐，还可以在谷歌相册中搜索“生日”并立刻找到你女儿上个月生日聚会的照片。这些技术已经比过去进步很多了，但类似的工具仍然只是日常生活的陪衬。人工智能尚未转变为我们工作、思考和生活的核心。
参考：
《Python深度学习（第二版）》–弗朗索瓦·肖莱
https://www.redhat.com/zh/topics/digital-transformation/what-is-deep-learning