1. 人工智能中的相关术语的概述

1.1 机器学习的概念：机器学习是指从有限的观测数据中学习出具有一般性的规律，并利用这些规律对未知数据进行预测的方法。机器学习可以分为监督学习，无监督学习和强化学习。

        传统的机器学习主要关注于如何学习一个预测模型。一般需要首先将数据表示为一组特征（feature），然后将这些特征输入到预测模型，并输出预测结果。这类机器学习可以看作是浅层学习，其特征主要依靠人工经验或特征转换的方法来抽取。在实际任务中使用机器学习模型的步骤如下图所示：

图1.机器学习模型的使用流程 

        其中，1.数据预处理：去噪声，标准化；2.特征提取：从原始数据中提取有效特征，例如图像边缘和尺度不变特征变换等； 3.特征转换：特征加工，升维和降维等； 4. 预测：核心部分，学习一个函数进行预测。

        在机器学习的过程中，特征工程问题十分重要，它很大程度上决定了任务的性能上限。一般来说在实际任务中，不同模型的性能的相差不多，而是前三步的处理对准确性起着关键的作用。

1.2 表示学习的概念： 将输入信息转换为有效的特征，或者更一般性的称为表示。如果有一种算法可以自动地学习出有效的特征，并提高最终机器