深度学习笔记--引言部分

最近买了一本《深度学习》，京东上热卖的，由三位大咖Ian Goodfellow, Yoshua Bengio, Aaron Courville联合著作，2017年8月出版的新书。最近看到了引言部分，于是想将这部分的内容写出来分享一下，关于深度学习的情况。

人工智能有望发展的领域：专家们期望通过智能软件自动地处理常规劳动、理解语音或图像、帮助医学诊断和支持基础科学研究。

人工智能的其中一个关键挑战：如何将非形式化的知识传达给计算机。我的理解：所谓的形式化是指有固定的规则，如国际象棋规定每个棋子的走子规则，所以可以用穷举或列表解决。非形式化是指知识是主观和直观的，很难通过形式化(规则化)表达清楚。

AI系统需要具备自己获取知识的能力，能够从原始数据提取模式的能力，这就是机器学习，机器学习能够做出看似主观的策略。尽管机器学习的算法很多，如逻辑回归，朴素贝叶斯等等，但机器学习算法的性能很大程度上依赖于给定数据的表示。如果数据集合被巧妙的结构化并被智能的索引，那么搜索这类操作的处理速度就可以成指数级加快。

许多人工智能任务可以通过以下方式解决：提取合适的特征集，然后将特征集提供给机器学习算法。

但是对于很多任务来说，很难提取特征，要解决这个问题，就需要使用机器学习来挖掘表示本身，而不仅仅表示映射到输出，这种方法称为表示学习。表示学习的典型例子是自编码器，自编码器由一个编码器和一个解码器构成。编码器能够将输入数据转换为一种不同的表示，而解码器能够将这个新的表示转换为原来的形式。人们希望经过自编码器能够保持较多的良好特性，这就是自编码器的训练目标。但是，当设计特征或设计学习算法时，同时由很多变差因素，这些因素通常不能被直接观察，多个变差因素会同时影响观察到的每个数据，这个问题时是表示学习很难解决，不过不用担心，深度学习就可以解决。

《深度学习》英文版配套网站：www.deeplearningbook.org