1.神经网络的参数可以通过机器学习的方式来从数据中学习。
2.神经网络和深度学习并不等价，神经网络可以很好的解决贡献度分配问题，因此，神经网络模型成为深度学习中主要采用的模型。
3.一个人在不接触对方的情况下，通过一种特殊的方式，和对方进行一系列的问答。如果在相当长时间内，他无法根据这些问题判断对方是人还是计算机，那么就可以认为这个计算机是智能的。
4.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。
5.人工智能研究的三个主要领域：感知---学习---认知
6.表示学习：为了提高机器学习系统的准确率，我们就需要将输入信息转换为有效的特征，或者更一般性称为表示（Representation）。如果有一种算法可以自动地学习出有效的特征，并提高最终机器学习模型的性能，那么这种学习就是可以叫做表示学习（Representation Learning）。
7.机器学习中的局部表示和分布式表示，明确两个的区别，分布式表示特征的能力更强一些。
8.要学习到一种好的高层语义表示（一般为分布式表示），通常需要从底层特征开始，经过多步非线性转换才能得到。
9.表示学习的关键是构建具有一定深度的多层次特征表示。
10.深度学习中的深度是指：“深度”是指原始数据进行非线性特征转换的次数。
1.深度学习是机器学习的一个子问题，其主要目的是从数据中自动学习到有效的特征表示。
2.深度学习的数据处理流程：
3.深度学习采用的模型主要是神经网络模型，其主要原因是神经网络模型可以使用误差反向传播算法，从而可以比较好地解决贡献度分配问题。只要是
超过一层神经网络都会存在贡献度分配问题，因此超过一层的神经网络都可以看作是深度学习模型。随着深度学习的快速发展，模型深度也从早期的 5 ∼ 10层到目前的数百层。随着模型深度的不断增加，其特征表示的能力也越来越强，从而使后续的预测更加容易。
4.在深度学习中，一般通过误差反向传播算法来进行参数学习。
5.神经网络天然不是深度学习，但深度学习天然是神经网络。
