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
機器學習和深度學習在理論結構上是一致的，即：模型假設、評價函式和優化演算法，其根本差別在於假設的複雜度。
人腦可極快的反應出這是一位美女。但對計算機而言，只能接收到乙個數字矩陣，對於美女這種高階的語義概念，從畫素到高階語義概念中間要經歷的資訊變換的複雜性是難以想象的！這種變換已經無法用數學公式表達，因此研究者們借鑑了人腦神經元的結構，設計出神經網路的模型。
神經網路的基本概念
人工神經網路包括多個神經網路層，如卷積層、全連線層、lstm等，每一層又包括很多神經元，超過三層的非線性神經網路都可以被稱為深度神經網路。通俗的講，深度學習的模型可以視為是輸入到輸出的對映函式，如影象到高階語義（美女）的對映，足夠深的神經網路理論上可以擬合任何複雜的函式。因此神經網路非常適合學習樣本資料的內在規律和表示層次，對文字、影象和語音任務有很好的適用性。因為這幾個領域的任務是人工智慧的基礎模組，所以深度學習被稱為實現人工智慧的基礎也就不足為奇了。
深度學習的發展歷程
為何神經網路到2023年後才煥發生機呢？這與深度學習成功所依賴的先決條件：大資料湧現、硬體發展和演算法優化有關。
深度學習的研究和應用蓬勃發展
雖然歷史悠久，但深度學習在今天依然在蓬勃發展，一方面基礎研究快速進展，另一方面工業實踐層出不窮。
基於深度學習的頂級會議iclr(international conference on learning representations)統計，深度學習相關的**數量呈逐年遞增的狀態。同時，不僅僅是深度學習會議，與資料和模型技術相關的會議icml和kdd，專注視覺的cvpr和專注自然語言處理的emnlp等國際會議的大量**均涉及著深度學習技術。該領域和相關領域的研究方興未艾，技術仍在不斷創新突破中。
以深度學習為基礎的人工智慧技術，在公升級改造眾多的傳統行業領域，存在極其廣闊的應用場景
實現了端到端的學習
深度學習改變了很多領域演算法的實現模式：
1.模擬牛頓第二定律的案例，在你的工作和生活中還有哪些問題可以用監督學習的框架來解決？模型假設和引數是什麼？評價函式（損失）是什麼？
答：
犯罪嫌疑人的行為和所解觸犯的刑法條文。
假設：刑法條文＝f(犯罪嫌疑人的行為)。引數：主體、主觀方面、客體、客觀方面。
優化目標：法律面前人人平等，同罪同罰。
答：
因為ai工程師是先進生產力的代表，生產力的發展決定了ai工程師的前景。
從經濟學角度，先進生產力催生出了巨大的ai市場，但ai工程師人數較少，無法滿足人力資源市場的需求，
ai工程師供不應求，因此ai工程師將很有發展前景。
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 ...
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...