1.神經網路的引數可以通過機器學習的方式來從資料中學習。

2.神經網路和深度學習並不等價，神經網路可以很好的解決貢獻度分配問題，因此，神經網路模型成為深度學習中主要採用的模型。

3.一個人在不接觸對方的情況下，通過一種特殊的方式，和對方進行一系列的問答。如果在相當長時間內，他無法根據這些問題判斷對方是人還是計算機，那麼就可以認為這個計算機是智慧的。

4.人工智慧就是要讓機器的行為看起來就像是人所表現出的智慧行為一樣。

5.人工智慧研究的三個主要領域：感知---學習---認知

6.表示學習：為了提高機器學習系統的準確率，我們就需要將輸入資訊轉換為有效的特徵，或者更一般性稱為表示（Representation）。如果有一種演算法可以自動地學習出有效的特徵，並提高最終機器學習模型的效能，那麼這種學習就是可以叫做表示學習（Representation Learning）。

7.機器學習中的區域性表示和分散式表示，明確兩個的區別，分散式表示特徵的能力更強一些。

8.要學習到一種好的高層語義表示（一般為分散式表示），通常需要從底層特徵開始，經過多步非線性轉換才能得到。

9.表示學習的關鍵是構建具有一定深度的多層次特徵表示。

10.深度學習中的深度是指：“深度”是指原始資料進行非線性特徵轉換的次數。

1.深度學習是機器學習的一個子問題，其主要目的是從資料中自動學習到有效的特徵表示。

2.深度學習的資料處理流程：

3.深度學習採用的模型主要是神經網路模型，其主要原因是神經網路模型可以使用誤差反向傳播演算法，從而可以比較好地解決貢獻度分配問題。只要是
超過一層神經網路都會存在貢獻度分配問題

4.在深度學習中，一般通過誤差反向傳播演算法來進行引數學習。

5.神經網路天然不是深度學習，但深度學習天