01. 深度学习简述

        在介绍深度学习之前，首先先对人工智能中一个重要的分支机器学习进行介绍。机器学习（machine learning, ML）通过数据来学习、获取到“经验知识”，并凭借自身学习到的“经验”来产生适合的模型来描述这些数据之间的关系。而“经验”正是所谓的“特征”。简单的特征可以通过“特征工程”来进行构造，但是这种方式费时、费力，并且很难迁移到另一任务中。除此之外，如何构造更有效、可适配更复杂的场景对于传统的“特征工程”具有很大的挑战性。

       为了构建出高效、复杂、具有辨识度的特征，可以借助机器来自动的获取，因而诞生了“表示学习”。而深度学习便是表示学习中的经典代表之一。

        深度学习以原始数据为输入，通过算法来提取数据中的特征表示，利用获取到的特征进行目标任务的映射。从输入到输出，整个过程中除了模型学习外，还包括了特征学习、特征抽象等任务。神经网络在深度学习中扮演了重要的角色，其中包括卷积神经网络、递归神经网络等等。特别是卷积神经网络，在计算机视觉、自然语言处理、医学图像处理等领域具有重要的应用。

        上述所提到的专业名词，可以通过以下的韦恩图表示出它们之间的关系：