人工智能包含了机器学习，而深度学习是机器学习的一个分支。

人工智能

试图将通常由人类完成的智力任务自动化—这就是人工智能。

用硬编码的方式实现人工智能，这称作符号主义人工智能Symbolic AI。其中包含专家系统。

机器学习

机器学习是一种替代符号主义人工智能的新方法。

机器学习是训练出来的，而不是明确地通过程序编写出来的。通常包含以下三个要素：

• 输入数据：比如语音识别的声音文件，图片识别的图片素材
• 预期输出的示例：通过语音整理出的文本，
• 衡量算法效果的方法：计算算法的当前输出和预期输出之间的差距，将衡量结果用于调整算法。这个调整的过程，就是我们所说的学习

总结一下，机器学习就是在预先定义的可能性空间中，利用反馈信号的指引，在输入数据中寻找有用的表示和规则。

深度学习的深度

深度学习的深度，是指一些列连续的表示层。数据模型所包含的层数，被称为该模型的深度。

深度学习的这些表示层，通常通过**神经网络（netural network）**的模型学习得到。

信息穿过连续的过滤器，纯度越来越高，这叫做多级信息蒸馏（information distillation）

深度学习的工作原理

神经网络中，每层对输入数据所做的具体操作，保存在该层的**权重（weight）**中。也就是，每层实现的变化由其权重来参数化（parameterize）。权重有时也被称为该层的参数。

神经网络损失函数（loss function），用来衡量输出与预期结果之间的距离。有时也称为目标函数或代价函数。

其他概念

已取得的进展，比如图形识别和自动驾驶、NLP等。

AI Winter：由于过度炒作而引起的投资减少，进度缓慢。

总体来说，人工智能的未来是光明的

机器学习发展简史

概率建模

早期神经网络

核方法

决策树、随机森林和梯度提升机

深度卷积神经网络

深度学习的前景

硬件的发展；数据集；新的算法；投资热潮