基本概念
深度學習與機器學習的區別
首先從定義上分析：
機器學習定義：
A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P if its performance at tasks in T, as measured by P, improves with experience E
意思就是，一個電腦程序要完成任務T，在T中的性能如P，如果電腦獲取的關於T的經驗E越多，性能P越高。那麼就可以說這個程序學習了關於T的經驗，這就是機器的學習過程。
深度學習定義：
Deep learning is a particular kind of machine learning that achieves great power and flexibility by learning to represent the world as nested hierarchy of concepts, with each concept defined in relation to simpler concepts, and more abstract representations computed in terms of less abstract ones.
從定義上看，深度學習是一種特殊的機器學習。它通過學習將世界表示爲概念的嵌套網絡層級結構，每個概念都與較簡單的概念相連，並根據u較不抽象的概念計算出更抽象的概念。具有巨大的學習能力和靈活性。
深度學習簡介
深度學習是指多層神經網絡上運行各種機器學習算法解決圖像，文本等各種問題的算法集合。深度學習從大類上可以歸入神經網絡，不過在具體實現上有很多變化。深度學習的核心是特徵學習，目標是在通過分層網絡獲取分層次的特徵信息，從而解決以往需要人工設計特徵的重要難題，深度學習是一個框架，包含多個重要算法：
- Convolutional Neural Networks(CNN)卷積神經網絡
- AutoEncoder自動編碼器
- Sparse Coding稀疏編碼
- Restricted Boltzmann Machine(RBM)限制波爾茲曼機
- Deep Belief Networks(DBN)深信度網絡
- Recurrent neural Network(RNN)多層反饋循環神經網絡神經網絡
對於不同問題（圖像，語音，文本），需要選用不同的網絡模型才能達到更好的效果。
參考文章：https://www.cnblogs.com/alexcai/p/5506806.html
與神經網絡的初次相遇
之前研究的大多數是機器學習部分的淺層知識，現因學業需要，逐漸開始探索關於深度學習和神經網絡方面的知識。
神經網絡的介紹
神經網絡是爲了模擬人的大腦，神經網絡在80年代流行過一陣，但是到了90年代後期，由於各種原因，應用逐漸消失了，近幾年，神經網絡又火了起來
科學家經過實驗研究發現，如果阻斷耳朵的神經連接，而將眼睛連接到大腦的耳功能神經上後，眼睛也能實現聽覺功能。這個實驗驗證了什麼網絡訓練的可行性。
安全性分析
機器學習領域一致存在一個爭議，那就是隨着人工智能的發展，人工智能是否會危機人類自身的生存?
從根本上分析，當前的人工智能並沒有危險。舉個例子：一隻貓大約有10億個神經元，一隻老鼠大約有7500萬個神經元，一隻蟑螂大約有100萬個神經元。相比之下，許多人工神經網絡包含的神經元要少得多，通常只有幾百個，所以我們在不久的將來隨時創建一個人工大腦是沒有危險的
神經網絡的結構展示
在網頁中通過調試，瞭解各種參數和方法對於神經網絡訓練結果的影響：http://playground.tensorflow.org
