第1章 引言
人工智能的真正挑战在于解决那些对人来说很容易执行、但很难形式化描述的任务，如识别人们所说的话或图像中的脸。
深度学习：让计算机从经验中学习，并根据层次化的概念体系来理解世界,而每个概念这通过与某些相对简单的概念之间的关系来定义。
一个人的日常生活需要关于世界的巨量知识，而且大多是主观的，直观的，因此很难通过形式化的方式表达清楚。计算机需要获取同样的知识才能表现出智能。人工智能的一个关键挑战就是如何将这些非形式化的知识传达给计算机（也就是将输入表示成计算机可以理解的形式，比如提取特征，通过边缘信息让神经网络识别图像；RGB图像用0-255表示是人为定义的，原始图像所包含的信息量最多，但是却不是程序所能直接识别的，所以需要转换成它们自己的语言和形式，这些就是通过特征学习）
机器学习：早先，一些人工智能项目致力于将关于世界的知识用形式化语言进行硬编码【知识库】，人们设法设计出足够复杂的形式化规则来精确地描述世界，依靠人为设计规则很繁琐并且不够全面，因此表明，AI系统需要具备自己获取知识的能力，即从原始数据中提取模式的能力，这种能力称为机器学习。
简单的机器学习算法的性能在很大程度上依赖于给定数据的表示（特征选择），表示的选择会对机器学习算法的性能产生巨大的影响。
表示学习：对于许多任务来说，我们很难知道应该提取哪些特征，解决这个问题的途径之一是使用机器学习来发掘表示本身，而不仅仅把表示映射到输出。这种方法我们称之为表示学习。表示学习算法只需要几分钟就可以为简单的任务发现一个很好的特征集。
表示学习算法的典型例子是自编码器
当设计特征或设计用于学习特征的算法时，我们的目标通常是分离出能解释观察数据的变差因素(factors of variation)，它们是现实世界中观察不到的物体或者不可观测的力，但会影响可观测的量。比如说，当分析语音记录时，
原文：http://www.cnblogs.com/lainey/p/7802556.html