机器学习笔记（一）

　1.深度学习是机器学习的分支。

　　深度学习解决的问题为从有限样例中通过算法总结出一般性规律，并应用到新的未知数据上。采用数据模型复杂，其数据流经过多个组件，要解决组件的贡献度分配问题较好的模型为人工神经网络。　

　　2.智能：图灵测试->人工智能（John mccarthy人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样。）

　　人工智能：1.感知 2.学习 3.认知

　　3.发展

专家系统必须具备三要素：（知识库+推理机）

1）领域专家级知识；

2）模拟专家思维；

3）达到专家级的水平．

4.流派：

符号主义：（逻辑主义，解释型好）有两个基本假设：

　　　　a）信息可以用符号来表示；

　　　　b）符号可以通过显式的规则（比如逻辑运算）来操作．

　　eg:知识图谱

连接主义：仿生 eg:神经网络（问题是不知道如何产生的，只有最终的决策，可解释性差，导致也许会在很简单的问题上犯错）

有些学者致力于将二者融合，取其各自优点

5.机器学习

(每步特征处理和预测分开进行)

　 6.表示学习

　　局部表示：：分布式表示

　　7.深度学习

　　　　关键问题是贡献度分配问题: