機器學習：乙個老生常談的問題，在深度學習的出現下，機器學習開啟了乙個新的時代，人工智慧好像也離我們越來越近，大致梳理一下深度學習的內容，初學可以做知識網路去學習，學會者可以用來查漏補缺。
深度學習是計算深度大於二的運算結構，計算深度在這裡可以理解為 f（ax+b）其中f是乙個非線性函式。
深度學習因為分類要素不同可以分成不同的集合，從學習的內容上來分可以分為：
貝葉斯網路：例如各類分類網路，softmax結構的網路等
馬爾可夫網路：用於學習分布，例如gan
按照學習的過程分為:
前饋網路：cnn，fn等
反饋網路：rnn
類似的分類還有很多，不一一枚舉
深度學習的演算法：
常見主流演算法：rbm，深度信念網路（過時了，但是很出名），cnn，rnn（lstm），gan等。
其他gru之類的因為新穎性和代表性不足不列出，如有其他遺漏歡迎補充。
主要方向：
現在基本啥都能和ai扯上關係，所以真要分清楚真的很難，大致列舉一些：
計算機視覺：目標檢測，ocr等
自然語言處理：情感分析，文字歸類等
語音識別
知識圖譜
深度強化學習：這其實是乙個交叉學科，我還看過有人將強化學習直接放到深度學習中，我認為這種方法有些欠妥。
研究方向：
優化演算法效果，加快演算法速度是老生常談的，除此之外還有：
元學習零樣本學習
改進或者完全改掉bp網路
甚至有文章闡明大算力的需求可能源於圖靈機本身的限制
生成演算法：
vaegan
有時間接著補充。
沒有方向，就像黑夜裡不開燈的房間
今天，我們來聊聊方向的問題。沒有方向，就像黑夜裡不開燈的房間。方向什麼方向問題呢？最近有很多學員，經常會說自己的生活 工作好像沒有了方向。具體是什麼樣的表現呢？比如說，你在生活上沒有了方向，就感覺自己的生活沒有希望，不知道怎麼才能變得更好。好像自己沒有什麼目標，也改變不了什麼。很害怕未來這麼一成不變...
深度學習 如何找到優化模型的方向
高偏差 bias 的優化 高方差 variance 的優化 當訓練的模型的 準確率 accuracy 不高，如何尋找模型的下一步調優方向？通過對比訓練集與開發 測試 集的準確率，可以確定模型的偏差 bias 與方差 variance 問題，給下一步模型的優化提供方向指導。模型訓練前通常將資料集劃分為...
深度學習理論與技術的重點研究方向
面向泛在 如移動計算 高風險 如精準醫療 高可靠性 如智慧型交通 等應用場景，突破深度學習理論基礎薄弱 模型結構單 一 資源消耗過高 資料依賴性強的瓶頸。研究下一代深度學習理論基礎 非神經網路 資源節約型深度學習模型 方法及高效優化技術 適於小樣本 無監督樣本 強化 博弈學習的深度學習方法與技術。深...