層次化的概念讓計算機構建較簡單的概念來學習複雜概念。如果繪製出這些概念如何建立在彼此之上的圖，我們將得到一張 ‘‘深’’（層次很多）的圖。基於這個原因，我們稱這種方法為 AI深度學習（deep learning）

依靠硬編碼的知識體系面對的困難表明，AI 系統需要具備自己獲取知識的能力，即從原始資料中提取模式的能力。這種能力被稱為機器學習（machine learning）。引入機器學習使計算機能夠解決涉及現實世界知識的問題，並能作出看似主觀的決策。

對於許多工來說，我們很難知道應該提取哪些特徵。解決這個問題的途徑之一是使用機器學習來發掘表示本身，而不僅僅把表示對映到輸出。這種方法我們稱之為表示學習（representation learning）。

1.1 本書面向的讀者

1.2 深度學習的歷史趨勢

1.2.1 神經網路的眾多名稱和命運變遷

1.2.2 與日俱增的資料量

1.2.3 與日俱增的模型規模

1.2.4 與日俱增的精度、複雜度和對現實世界的衝擊

深度學習的另一個最大的成就是其在強化學習（reinforcement learning）領域的擴充套件。在強化學習中，一個自主的智慧體必須在沒有人類操作者指導的情況下，通過試錯來學習執行任務。