特征工程（Feature Engineering）VS表示学习（Representation Learning）

经典机器学习方式是以人类的先验知识将raw数据预处理成feature，然后对feature进行分类。分类结果十分取决于feature的好坏。所以过去的机器学习专家将大部分时间花费在设计feature上。那时的机器学习有个更合适的名字叫feature engineering 。

后来人们发现，利用神经网络，让网络自己学习如何抓取feature效果更佳。于是兴起了representation learning。这种方式对数据的拟合更加灵活。

特征工程（Feature Engineering）

“数据决定了机器学习的上限，而算法只是尽可能逼近这个上限”，这里的数据指的就是经过特征工程得到的数据。特征工程就是一个把原始数据转变成特征的过程，这些特征可以很好的描述这些数据，并且利用它们建立的模型在未知数据上的表现性能可以达到最优（或者接近最佳性能）。从数学的角度来看，特征工程就是去设计输入变量X。

在机器学习时代，如果需要对Input进行表示，往往依靠的是领域专家手工提取特征并表示；依靠专家提取显示特征，工程量巨大。特征选取的好坏直接决定数据表示的质量，从而影响后续任务的性能。

表示学习（Representation Learning）

在深度学习时代，我们直接将Input输入模型，Input将自动转换成高效有意义的表示。采用模型自动学习数据的隐式特征，数据表示与后续任务往往是联合训练，不依赖专家经验，但需要较大的训练数据集。
2013年Bengio等人发表了关于表示学习的综述。Representation Learning: A Review and New Perspectives

Reference:https://blog.csdn.net/weixin_40449300/article/details/89941348