• 深度学习是机器学习的分支，从有限样例中通过算法总结出一般性的规律，应用到未知的数据上。
• 深度学习：原始数据输入—>多个线性或非线性组件—>每个组件对信息进行加工，影响后续组件—>最后的输出结果。
• 贡献度分配问题：关系到如何学习每个组件中的参数。神经网络模型可以使用误差反向传播算法，较好地解决贡献度分配问题。
• 本书主要内容：深度学习、机器学习、概率图模型、神经网络。​​​​​​​ 

1.1  机器学习

• 浅层学习：不涉及特征学习，特征是通过人工经验或者特征转换的方法抽取，将特征输入到预测模型，并输出预测结果。
• 图像数据—表示成连续向量
• 文本数据—由离散符号组成，每个符号都是无意义的编码

        机器学习模型步骤

• 数据预处理：数据清理–如去掉缺失特征样本，去掉冗余的数据特征
  • 加工—如数据特征缩放或归一化
  • 形成一个可以用于机器学习训练的数据集
• 特征提取：图像分类–如提取边缘、尺度不变特征变换            
  • 文本分类–如去除停用词
• 特征转换：对特征进一步加工
  • 降维：特征抽取和特征选择，如主成分分析、线性判别分析LDA
• 预测：学习一个函数进行预测

1.2  表示学习

       局部表示和分布式表示

• 表示学习：算法可以自动学习出有效特征，提高机器学习模型的性能
• 语义鸿沟：表示学习的关键是解决语义鸿沟问题
• 语义鸿沟：输入数据的底层特征和高层语义信息之间具有不一致性和差异性。
• 一个好的表示是在某种程度上反映出数据的高层语义特征，那么就能相对容易地构建机器学习模型。
• 好的表示：同样大小的向量可以表示更多信息；可以使后续学习任务变得简单，需要包含更高层的语义信息；具有一般性，容易迁移到其他任务上
• 局部表示：one-hot向量，独热编码； |v|维向量；第i个颜色，就是第i维的值是1，其他都是0
• 独热编码优缺点：
  • 优点：具有很好的解释性；向量是稀疏的二值向量，当用于线性模型计算时，绩效效率较高。
  • 缺点：维数很高，不容易扩展，每增加一个新的颜色，就要新增一个维度；不同颜色间的相似度为0（如红色和中国红
• 分布式表示：低维的稠密向量，RGB值表示颜色，只需要三维的稠密向量就可以表示所有颜色，不同颜色的相似度也可以计算
• 嵌入embedding：将一个度量空间中的一些对象映射到另一个低维的度量空间中，并尽可能保持不同对象之间的拓扑关系。如NLP中的分布式表示，也叫词嵌入。

        表示学习

• 好的高层语义表示（一般是分布式表示）：需要从底层特征开始，经过多步非线性转换才能得到。
• 构建具有一定深度的多层次表示特征

1.3  深度学习

• 深度：原始数据进行非线性特征转换次数
• 深度学习流程：原始数据–底层特征–中层特征–高层特征–预测
  • 三个特征过程：表示学习过程
  • 深度学习可以代替人工设计的特征，从而避免机器学习中的特征工程

• 端到端学习：学习过程中不进行分模块或者分阶段训练，直接优化任务的总体目标。端到端学习也需要解决贡献度分配问题。
• 自然语言处理任务：分词–词性标注–句法分析–语义分析–语义推理等。
  • 存在问题1：每一个模块之间需要单独优化，其优化目标和任务总体目标不能保持一致
  • 存在问题2：前一步的错误会对后续的模型产生很大影响

1.4  神经网络

• 人工神经网络：由多个节点互相连接而成，可以对数据间的复杂关系进行建模
  • 不同节点之间的连接被赋予不同权重，每个权重代表一个节点对另一个节点的影响大
  • 每个节点代表一种特定函数，来自其他节点的信息经过相应的权重综合计算
  • 最终，输入到一个激活函数中得到一个信息活性值

1.5  本书知识体系