[人工智能]机器学习基础（1）——绪论

深度学习是一个机器学习问题，从有限的样例中通过算法总结出一般规律，并可以应用到新的未知数据上。一种可以比较好解决贡献度分配的问题的模型是人工神经网络，简称神经网络。因为神经网络模型一般比较复杂，从输入到输出的信息传递路径一般比较长，所以复杂神经网络的学习可以看成一种深度的机器学习，即深度学习。

神经网络与深度学习并不等价，深度学习可以采用神经网络模型，也可以采用其他模型（比如深度信念神经网络是一种概率图模型）

人工智能分为两派：

1.符号主义：人类的认知过程可以看做符号操作过程。

2.连接主义：人类的认知过程是由大量的简单神经原构成的神经网络中的信息处理过程，而不是符号计算。因此，连接主义模型是由大量简单的信息处理单元组成的互联网络，具有非线性、分布式、并行化、局部性计算以及自适应性等特性。

符号主义方法等一个优点是可解释性，这也是连接主义的弊端。深度学习的主要模型神经网络就是一种连接主义模型。随着深度学习的 发展，越来越多的研究者开始关注如何融合符号主义和连接主义，建立一种高效并且具有可解释性的模型。

将图像数据表示为向量的方法有很多种，比如直接将一副图像的所有像素值（灰度值或者rgb值）组成一个连续向量。

深度学习是一种端到端学习，不需要明确给出不同模块或阶段的功能，中间过程不需要人为干预，端到端学习的训练数据为“输入-输出”对的形式，无需提供其他额外信息。