1、AI深度學習（Deep Learning）：讓計算機從經驗中學習，並根據層次化的概念體系來理解世界，而每個概念則通過與某些相對簡單的概念之間的關係來定義。

2、AI的一個關鍵挑戰：將非形式化的知識傳達給計算機。

3、知識庫（knowledge base）：將關於世界的知識用形式化的語言進行硬編碼（hardcode），計算機再使用邏輯推理規則來自動理解這些形式化語言中的宣告，但最終的結果並不好。

4、機器學習（Machine Learning）：AI系統需要具備自己獲取知識的能力，從原始資料中提取模式的能力。

5、表示學習（Representation Learning）：許多人工智慧的任務都可以通過“先提取一個合適的特徵集，然後將這些特徵提供給簡單的機器學習演算法”來解決，但是對於很多工來說，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就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。

　　Typical Example：自編碼器（autoencoder）=編碼器（encoder）函式+解碼器（decoder）函式。其中編碼器函式將輸入資料轉換為一種不同的表示，而解碼器函式將新的表示轉換到原來的形式。我們期望

輸入資料經過編碼器和解碼器之後儘可能多地保留資訊，同時希望新的標識有各種好的特性。

6、度量模型深度的兩種主要方式：①基於評估架構所需執行的順序指令的數目 ②用於深度概率模型中，不是將計算圖的深度視為模型深度，而是將描述概念彼此如何關聯的圖的深度視為模型深度。

7、AI技術的包含關係：深度學習 deep learning（如多層感知機MLPs）<表示學習 representation learning（如shallow autocoders）<機器學習 machine learning（如logistic regression）<人工智慧 AI（如

knowledge bases）

8、深度學習的歷史趨勢：

①深度學習歷史悠久豐富，但隨著許多不同哲學觀點的漸漸消逝，與之對應對的名稱也漸漸塵封；

②隨著可用的訓練資料量不斷增加，深度學習變得更加有用；

③隨著時間的推移，針對深度學習的計算機軟硬體基礎設施都有所改善，深度學習模型的規模也隨之增長；

④隨著時間的推移，深度學習已經解決日益複雜的應用，並且精度不斷提高。

&n