深度学习 Note.1
绪论
1.思维导图
这是自己根据《神经网络与深度学习》第一章绪论 绘画的思维导图
2.一些概念
神经网络：一种以（人工）神经元为基本单元的模型。
深度学习：一类机器学习问题， 主要解决贡献度分配问题。
二者关系：
图灵测试：“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。如果在相当长的时间内，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。”
人工智能：让机器具有人类的智能
机器学习：从有限的观测数据中学习（或猜测）出具有一般性的规律，并用这些规律对对未知数据进行预测的方法。
机器学习≈构建一个映射函数（规则）
机器学习的一般流程
数据表示是机器学习的核心
表示学习：如何自动从数据中提取好的表示
好的表示必有一定的深度
深度学习的数学表示***
4. 深度 vs 浅层学习的核心区别
| 特性 | 浅层学习 | 深度学习 |
|---|---|---|
| 层数 | 少（2~5层） | 多（数十至数百层） |
| 表示能力 | 有限，适合简单任务 | 强大，适合复杂任务 |
| 函数复合 | 显式写出层数（如 f2(f1(x))f2(f1(x))） | 简写为 f(x)，实际为深层复合 |
神经网络图解
描述了一个标准的三层全连接神经网络，
-
输入层接收多维特征；
-
两个隐藏层通过权重矩阵、偏置和非线性激活函数逐层提取特征；
-
输出层生成最终预测结果。
公式和层次标注共同体现了神经网络“复合函数+参数优化”的核心思想。
3.总体知识结构图
