比起深度學習，機器學習更耳熟能詳。
機器學習：是人工智慧的乙個分支，致力於研究如何通過計算的手段，利用「經驗」來改善計算機系統自身的效能。
這種「經驗」，是對應以「特徵」形式儲存的「資料（data）」,傳統的機器學習演算法所做的事情是依靠這些資料來產生「模型（model）」
但是，對於一些任務，人類根本不知道如何用「特徵」來有效的表示「資料」。
ep:人們知道一輛車的樣子，但完全不知道怎樣設計的畫素值配合起來才能讓機器「看懂」這是一輛車。
這種情況就會導致，若特徵造的不好，最終學習任務的效能也會受到極大程度的制約。
於是，人們嘗試將特徵學習這一過程也用機器自動的「學」出來，這便是「表示學習（representation learning）」
深度學習 是 表示學習中的乙個經典代表。
深度學習相比機器學習演算法僅學得模型這一單一「任務模組」而言，深度學習除了「模型學習「，還有」特徵學習「，」特徵抽象「等任務模組的參與。
深度學習代表演算法-->神經網路演算法 包括：
當下，深度學習之所以能如此鼎盛，原因由三：
高效能計算硬體的實現
有效資料的急劇擴增
訓練方法的大幅度完善
深度學習的偉大意義在於，它就像乙個人工智慧時代人類不可或缺的工具，真正讓研究者或工程師擺脫了複雜的特徵工程，從而可以專注於解決更加巨集觀的關鍵問題。
深度學習系列 深度學習簡介
機器學習 使用計算機系統利用經驗改善效能，是人工智慧領域的分支，也是實現人工智慧的一種手段。表徵學習關注如何自動找出表示資料的合適方式，以便更好地將輸入變換為正確的輸出。深度學習 具有多級表示的表徵方法，在每一級 原始資料開始 通過簡單的函式將該級的表示變換為更高階的表示。可以將深度學習看作多個簡單...
深度學習簡介
一 概念 1.是機器學習研究中的乙個新的領域，其動機在於建立，模擬人腦進行分析學習的神經網路，它模擬人腦的機制進行解釋資料，學習方法也分為監督學習和非監督學習兩種方式。2.深度學習成功的條件 大資料 大規模計算能力 複雜模型 高效演算法 二 適於解決的問題的特徵 1.深度不足會出現問題 2.人腦具有...
深度學習簡介
一 人工智慧 機器學習與深度學習 1.定義 2.傳統機器學習和深度學習流程對比 3.人工智慧 機器學習以及深度學習之間的關係 二 深度學習的應用 1.計算機視覺 影象識別 2.語音識別 3.自然語言處理 nlp 4.人機博弈 三 深度學習工具介紹和對比 一 人工智慧 機器學習與深度學習 1.定義 業...