第一章 引言概论

AI深度学习：一种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的解决方法，而每个概念则通过与某些相对简单的概念之间的关系来定义。让计算机从经验获取知识，可以避免由人类来给计算机形式化地制定它需要的所有知识。层次化的概念让计算机构建较简单的概念来学习复杂概念。如果绘制出表示这些概念如何建立在彼此之上的图，我们将得到一张“深”（层次很多）的图。

人工智能的知识库方法：计算机可以使用逻辑推理规则来自动地理解这些形式化语言中的声明。

机器学习：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，这种能力成为机器学习。引入机器学习使计算机能够解决涉及现实世界知识的问题，并能做出看似主观的决策。逻辑回归的简单机器学习算法可以决定是否建议剖腹产，而同样是简单机器学习算法的朴素贝叶斯则可以区分垃圾电子邮件和合法电子邮件。这些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。

表示学习：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 。表示学习算法的典型例子是自编码器 。自编码器由一个编码器函数和一个解码器函数组合而成。编码器函数将输入数据转换为一种不同的表示，而解码器函数则将这个新的表示转换回原来的形式。我们期望当输入数据经过编码器和解码器之后尽可能多地保留信息，同时希望新的表示有各种好的特性，这也是自编码器的训练目标。为了实现不同的特性，我们可以设计不同形式的自编码器。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。

图1 不同的AI学科之间的关系（MLP为多层感知机）

图2 AI系统的不同部分如何在不同的AI学科中彼此相关

图3 深度学习章节脉络