一，浅谈深入学习

        在学习深入学习之前，就不得不谈一下人工智能和机器学习，至于原因：

        人工智能>机器学习>深入学习

        人工智能更多指的是一个目标，而机器学习是为了实现这个目标而开发出了一类方法，深入学习则更为具体，是一类方法中的一个点。

什么是人工智能

        这个名词诞生于1956年的达特茅斯会议，通俗的解释就是让机器拥有感知、认知、决策、执行的能力。据参会人员说，这个词语也是他们借鉴的，最早可以追溯到图灵在1950年，发表的《计算机器与智能》中的机器智能，并提出认定机器智能的“图灵测试”。现在的验证码系统也属于一种图灵测试，不过简单的图灵测试（例如根据图片输入数字）用代码仍然可以破解。

人工智能的三个层面
计算	使用暴力穷举策略的超级计算机Deeper Blue（国际象棋）
感知	视觉、听觉、触觉
认知	逻辑推理、知识理解、决策思考

人工智能的应用场景

        现在更广为人知的就是“人工智能+”，我们现在用到的支付宝就算是“人工智能+金融”，所带来的产品。还有鲁班系统，是“人工智能+内容创作”的产物，特别是在现在万物互联的时代，人工智能更是涉及到各个领域，随处可见。

什么是机器学习

       实现人工智能有很多方法，这些方法主要是仿照人的逻辑演绎或者归纳总结的思想来模拟人，机器学习这一类方法是目前的主流方法。从人工智能被提出到现在，不同的时代也出现了不同的主流技术，也衍生出了不同的流派。

逻辑推理		符号主义，自上而下的模拟人的心智，使用符号、规则和逻辑来表征知识并进行逻辑推理。（逻辑推理：总结归纳、知识工程：专家系统）
知识工程
机器学习		贝叶斯	自下而上+自上而下，对事件发生的可能性进行概率推理（朴素贝叶斯、隐马尔科夫）
		联结主义	自下而上模拟脑结构，使用概率矩阵来识别和归纳模式。（神经网络）

目前机器学习的最常用定义是：计算机系统能够利用经验来提高自身的性能（理解数据）。

专家系统与机器学习

        专家系统是指根据专家定义的知识或经验，进行推理和判断，从而模拟人类专家的决策过程来解决问题。专家系统在生活中大家肯定也不陌生，例如知识图谱、BFI（大五人格测试）的调查问卷等等，BFI调查问卷的模式使给出很多问题，让我们在Agree strongly、Agree a little、Neither agree nor disagree等五个选项中对问题的答案进行选择，然后得出答者的性格特点，这么做的优点是省时、省力、灵活性强，但也带来一些问题这些问卷往往很长，答者烦躁随便选择（我就是这样），从而难以保证结果的一致性和准确性。

       机器学习（针对问卷调查进行辨析）则可以是针对同一个语义概念，给出不同的图像模式（例如“以下关于日出的图像你最喜欢哪一个？”这类型的调查问卷），供答者选择。但机器学习我们需要在问卷投入使用前，先给机器一些样本数据（性格已知，然后进行喜欢图像的选择，形成{性格——{喜欢的图像}}的样本），让机器进行基于数据的自动学习，这样也可减少人工规则的主观性，提高可信度。目前的机器学习主要是应用在计算机视觉、语音、自然语言处理的领域。

机器学习学什么？

        什么样的问题可以用机器学习来解决呢？一般对规模大、规则复杂的问题使用机器学习的方法来解决，但规模大、规则复杂的问题也不都能用机器学习来解决，还是有所限制的。

有大量数据	首先，我们需要采集大量数据供机器进行自动学习。
有意义的模式	例预测婴儿性别属于有意义的模式，而预测婴儿什么时候哭属于没有意义的模式。
无解析解	机器学习擅长用优化的方法，求近似解。

        满足上面的条件之后，我们再从模型、策略、算法三个维度来进行我们问题的解剖。类比一个线性回归问题，我们需要先建立线性回归的模型，然后选择最优的模型（直线的截距和斜率），然后用算法从输入得到我们预测的结果。

模型分类

        有很多种分类方式，首先，我们从数据标记的视角进行分类。

监督学习	数据都有标记，可以预测数据，得到输入-输出的映射函数
无监督学习	数据都无标记，适用于描述数据，例聚合问题
半监督学习	少量标记、大量无标记
强化学习	不知道数据的标记，但能得到与目标相关的一个反馈

半监督学习： 标记样本往往成本很大，当标记样本难以获取，无标记样本相对廉价时，我们假设未标记样本与标记样本独立分布，从而根据未标记样本我们可以获取数据分布的重要信息，来帮助我们进行问题的解决。

强化学习：使用未标记的数据，但是可以知道离目标越来越近还是越来越远（奖励反馈）。