在閱讀這本書的過程中，我終於知道了人工智慧，機器學習和深度學習的關係……之前雖然接觸過一些相關的內容，也用過一些裡面的方法，但是對於這些概念著實是傻傻分不清楚hhh
人工智慧的簡潔定義如下：努力將通常由人類完成的智力任務自動化。因此，人工智慧是乙個綜合性的領域，不僅包括機器學習與深度學習，還包括更多不涉及學習的方法。例如，早期的西洋棋程式僅包含程式設計師精心編寫的硬編碼規則，並不屬於機器學習。在相當長的時間內，許多專家相信，只要程式設計師精心編寫足夠多的明確規則來處理知識，就可以實現與人類水平相當的人工智慧。這一方法被稱為符號主義人工智慧（symbolic ai），從 20 世紀50 年代到80 年代末是人工智慧的主流正規化。 在 20 世紀 80 年代的專家系統（expert system）熱潮中，這一方法的熱度達到了頂峰。 雖然符號主義人工智慧適合用來解決定義明確的邏輯問題，比如下西洋棋，但它難以給出明確的規則來解決更加複雜、模糊的問題，比如影象分類、語音識別和語言翻譯。於是出現 了一種新的方法來替代符號主義人工智慧，這就是機器學習（machine learning）。換句話說，機器學習系統是訓練出來的，而不是明確地用程式編寫出來的。機器學習的三個要素是：輸入資料點，預期輸出的例項，衡量演算法效果好壞的方法（衡量結果是一種反饋訊號，用於調節演算法的工作方式，這個調節步驟就是我們所說的學習）機器學習的技術定義：在預先定義好的可能性空間中，利用反饋訊號的指引來尋找輸入資料的有用表示。
深度學習已經取得了以下突破，它們都是機器學習歷史上非常困難的領域：
所以說，深度學習還是非常非常重要的東西了（眾人：你才知道嗎）
應用貝葉斯定理的機器學習分類器
logistic回歸
核方法（如svm）
決策樹、隨機森林方法
梯度提公升機
深度卷積神經網路convnet
1. 彩色影象可以編碼為rgb（紅- 綠 - 藍）格式或 hsv（色相 - 飽和度 - 明度）格式，這是對相同資料的兩種不同表示。在處理某些任務時， 使用某種表示可能會很困難，但換用另一種表示就會變得很簡單
2. 想要了解機器學習，可以研讀一下imagenet挑戰賽（到了2023年， imagenet 的分類任務被認為是乙個已經完全解決的問題）；還可以參考一下kaggle上的機器學習競賽：梯度提公升機用於處理結構化資料的問題（xgboost庫），而深度學習則用於影象分類等感知問題（keras庫）
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...
深度學習入門學習 第一章
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...
python第一章筆記 第一章 基礎
參與除法的兩個數中有乙個數為浮點數，結果也為浮點數 如 1.0 2,1 2.0,1.0 2.0 python print 1.0 2 結果 0.5 print 1 2.0 結果 0.5 print 1.0 2.0 結果 0.5 整數 整數,計算結果的小數部分被截除，只保留整數部分 不會四捨五入 如 ...