7.11
深度學習是機器學習的子問題，其主要目的是從資料中自動學習到有效的特徵表示。神經網路僅僅是深度學習領域中的一類數學模型，其他的模型還包括概率圖模型等。
深度學習入門第一章 python入門
1.使用版本:python3.x
2.使用庫:numpy庫和matplotlib庫
3.numpy庫是用於數值計算的庫，提供了很多高階的數學演算法和便利的陣列(矩陣）操作方法
matplotlib庫是用來畫圖的庫。使用matplotlib能將實驗結果視覺化，並在視覺上確認深度學習執行期間的資料
4.python版本
5.python直譯器
啟動:輸入python，啟動python直譯器，python直譯器也被稱為「對話模式」，使用者能夠以和python對話的方式進行程式設計。
6.簡單講解了一下python的基礎知識，算術運算，資料型別，變數，列表(根據索引儲存值）(python的列表提供了切片這一便捷的標記法，使用切片不僅可以訪問某個值，還可以訪問列表的子列表），字典(根據鍵值對儲存資料），布林型，if語句(注意:python中的空白符具有重要的意義，python使用空白符表示縮排），for語句(使用for…in…語句結構可以按順序訪問列表等資料集合中的各個元素），函式(可以將一連串的處理定義成函式）
關閉python直譯器:輸入ctrl＋z，然後按enter鍵
7.python指令碼檔案
想進行一連串的處理時，可以將python程式儲存為檔案，然後執行這個檔案。接著簡單的講解了，將python程式儲存為檔案並執行，定義類
8.numpy:在深度學習的實現中，經常會出現陣列和矩陣的計算，numpy的陣列類(numpy.array）中提供了很多便捷的方法，在實現深度學習時，會使用這些方法。
首先學習如何匯入numpy:import numpy as np，匯入後numpy相關方法均可通過np來呼叫。
接著簡單講解了，如何生成numpy陣列(np.array(）方法，生成的陣列型別是numpy.ndarray），numpy的算術運算(當陣列元素個數相同時，可以對各個元素進行算術運算，如果元素個數不同，程式就會報錯）(注意:numpy不僅可以進行對應元素(element-wise）的運算，也可以和單一的數值(標量）組合起來進行運算，此時需要在numpy陣列的各個元素和標量之間進行運算，這個功能也被稱為廣播），numpy的n維陣列(矩陣）(和陣列的算術運算一樣，矩陣的算術運算也可以在相同形狀的矩陣間以對應元素的方式進行，並且，也可以通過標量(單一數值）對矩陣進行算術運算，這也是基於廣播的功能），廣播(標量(單一數值）被擴充套件成矩陣的形狀，再與矩陣進行運算，這個巧妙的功能稱為廣播，一維陣列也可以擴充套件成二維陣列然後進行運算，因為numpy有廣播功能，所以不同形狀的陣列之間也可以順利地進行運算），訪問元素(按索引，也可以將矩陣或張量轉化為一位陣列進行訪問，此時還可以獲取滿足一定條件的元素）
9.natplotlib
matplotlib是用於繪製圖形的庫，使用matplotlib可以輕鬆的繪製圖形和實現資料的視覺化。
首先匯入matplotlib庫:
import numpy as np
import matplotlib.pyplot as plt
簡單講解了如何繪製簡單的圖形，pyplot的功能(自己動手實驗！！），顯示影象(imshow(）方法用於顯示影象，此外，還可以使用matplotlib.image模組中的imread(）方法讀入影象）
深度學習 第一章 引言
本文為閱讀總結個人認為書裡概念性的 對本人有幫助的內容，僅供參考。我們期望通過智慧型軟體自動地處理常規勞動 理解語音或影象 幫助醫學診斷 支援基礎科學研究。人工智慧的真正挑戰在於解決那些對人來說很容易執行 但很難形式化描述的任務。對於這些問題，我們人類往往可以憑藉直覺輕易地解決。層次化的概念讓計算機...
（筆記）第一章 零基礎入門深度學習
專門讓計算機去模擬或實現人類的學習行為 機器學習的實現 機器學習的實現可以分成兩步 訓練和 類似於我們熟悉的歸納和演繹 確定模型引數 衡量模型 值和真實值差距的評價函式也被稱為損失函式 損失loss 模型假設 評價函式 損失 優化目標 和優化演算法是構成模型的三個部分 模型結構介紹 機器學習和深度學...
C Primer快速學習 第一章 入門
很多人說c primer不適合於入門，本系列入門文章向大家證明了 這是乙個謊言。第一章 入門 本章介紹 c 的大部分基本要素 內建型別 庫型別 類型別 變數 表 達式 語句和函式。1.1.編寫簡單的 c 程式 每個 c 程式都包含乙個或多個 函式 而且必須有乙個命名為 main。函式 由執行函式功能...