1. 機器學習 （Machine Learning, ML)

 1.0  基本概念：訓練集，測試集，特征值，監督學習，非監督學習，半監督學習，分類，回歸
 1.1 概念：多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。
 

 1.2 學科定位：人工智能(Artificial Intelligence, AI）的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域，它主要使用歸納、綜合而不是演繹。
 
 1.3 定義：探究和開發一系列算法來如何使計算機不需要通過外部明顯的指示，而可以自己通過數據來學習，建模，并且利用建好的模型和新的輸入來進行預測的學科。
      
     Arthur Samuel (1959): 一門不需要通過外部程序指示而讓計算機有能力自我學習的學科

     Langley（1996) ： “機器學習是一門人工智能的科學，該領域的主要研究對象是人工智能，特別是如何在經驗學習中改善具體算法的性能”

     Tom Michell (1997):  “機器學習是對能通過經驗自動改進的計算機算法的研究”

 1.4： 學習：針對經驗E (experience) 和一系列的任務 T (tasks) 和一定表現的衡量 P，如果隨之經驗E的積累，針對定義好的任務T可以提高表現P，就說計算機具有學習能力

          例子： 下棋，語音識別，自動駕駛汽車等

2. 機器學習的應用：

 語音識別
 自動駕駛
 語言翻譯
 計算機視覺
 推薦系統
 無人機
 識別垃圾郵件

3. 例子：

 人臉識別
 無人駕駛汽車
 電商推薦系統

二：深度學習(Deep Learning)

1.1 什么是深度學習？

      深度學習是基于機器學習延伸出來的一個新的領域，由以人大腦結構為啟發的神經網絡算法為起源加之模型結構深度的增加發展，并伴隨大數據和計算能力的提高而產生的一系列新的算法。

1.2 深度學習什么時間段發展起來的？

      其概念由著名科學家Geoffrey Hinton等人在2006年和2007年在《Sciences》等上發表的文章被提出和興起。

1.3 學習能用來干什么？為什么近年來引起如此廣泛的關注？

      深度學習，作為機器學習中延伸出來的一個領域，被應用在圖像處理與計算機視覺，自然語言處理以及語音識別等領域。自2006年至今，學術界和工業界合作在深度學習方面的研究與應用在以上領域取得了突破性的進展。以ImageNet為數據庫的經典圖像中的物體識別競賽為例，擊敗了所有傳統算法，取得了前所未有的精確度。

1.4 深度學習目前有哪些代表性的學術機構和公司走在前沿？人才需要如何？

       學校以多倫多大學，紐約大學，斯坦福大學為代表，工業界以Google, Facebook, 和百度為代表走在深度學習研究與應用的前沿。Google挖走了Hinton，Facebook挖走了LeCun，百度硅谷的實驗室挖走了Andrew Ng，Google去年4月份以超過5億美金收購了專門研究深度學習的初創公司DeepMind, 深度學習方因技術的發展與人才的稀有造成的人才搶奪戰達到了前所未有激烈的程度。諸多的大大小小(如阿里巴巴，雅虎）等公司也都在跟進，開始涉足深度學習領域，深度學習人才需求量會持續快速增長。

1.5深度學習如今和未來將對我們生活造成怎樣的影響？
目前我們使用的Android手機中google的語音識別，百度識圖，google的圖片搜索，都已經使用到了深度學習技術。Facebook在去年名為DeepFace的項目中對人臉識別的準備率第一次接近人類肉眼（97.25% vs 97.5%)。大數據時代，結合深度學習的發展在未來對我們生活的影響無法估量。保守而言，很多目前人類從事的活動都將因為深度學習和相關技術的發展被機器取代，如自動汽車駕駛，無人飛機，以及更加職能的機器人等。深度學習的發展讓我們第一次看到并接近人工智能的終極目標。

2. 深度學習的應用展示：

   2.1 無人駕駛汽車中的路標識別
   2.2 Google Now中的語音識別
   2.3 百度識圖
   2.4 針對圖片，自動生成文字的描述：

“A group of young people playing Frisbee,”

深度學習與機器學習入門2可以點擊下方傳送門
點我傳送門