從簡單的經驗中獲取知識，不需要人類去設計、規範知識，因為層次化的簡單概念可以讓計算機去學習，從而形成複雜的概念，如果用一張圖來表示就是一層一層，所以叫深度學習。
ibm深藍–2023年
知識基礎（knowledge base）–用公式來表述現實世界，現在還沒有成功案例。
機器學習（machine learning）–不同於知識基礎，機器學習需要從原始資料中發現模式（pattern）
邏輯回歸– 2023年 一種簡單的機器學習
樸素貝葉斯 另一種簡單的機器學習
他們都直接依賴於對原始問題的表述（representation），被稱為特徵（feature）。它們的問題是嚴重依賴特徵。
解決方法是：表述學習（representation learning）
表述學習演算法可以在幾分鐘內發現簡單任務的特徵，後者在幾小時內發現複雜任務的特徵。
表述學習演算法例子：autoencoder，它通過encoder函式把輸入資料轉換一種表述，以獲得更佳的特徵，通過decoder函式轉換回原始資料。
發現特徵是機器學習的難點，深度學習靠用簡單的表述層疊來形成複雜的概念。
mlp：多層感知器
什麼是深度學習？
讓我們先從深度學習的定義入手，然後順便理一下深度學習 機器學習以及ai之間的一些聯絡 深度學習是指多層的人工神經網路 和訓練它的方法。一層神經網路 會把大量矩陣數字作為輸入，通過非線性啟用方法取權重，再產生另乙個資料 三者聯絡如下 機器學習 抵達ai目標的一條路徑 深度學習是機器學習 研究中的乙個新...
什麼是深度學習？為何需要深度學習？
深度學習有如下一些眾所周知且被廣泛接受的定義。1 深度學習是機器學習的子集。2 深度學習使用級聯的多層 非線性 處理單元，稱為人工神經網路 ann 以及受大腦結構和功能 神經元 啟發的演算法。每個連續層使用前一層的輸出作為輸入。3 深度學習使用ann進行特徵提取和轉換，處理資料，查詢模式和開發抽象。...
第 章 什麼是深度學習 筆記
在經典的程式設計 即符號主義人工智慧的正規化 中，人們輸入的是規則 即程式 和需要根據這些規則進行處理的資料，系統輸出的是答案 見圖 1 2 利用機器學習，人們輸入的是資料和從這些資料中預期得到的答案，系統輸出的是 規則。這些規則隨後可應用於新的資料，並使計算機自主生成答案。因此，機器學習和深度學習...