1.明確概念：人工智能>機器學習>深度學習，三者的關系是包含關系，如圖所示：

人工智能（AI），很寬泛的概念，是研發用于模擬，延展和擴展人的智能的理論，方法，技術及應用系統的一門新的技術科學。而機器學習(Machine Learning)是當前比較有效的實現人工智能的方式。深度學習(DL)是機器學習算法中最熱門的分支，這些年取得顯著進展，并替代了大多數傳統機器學習算法。

2.機器學習的實現原理：

機器學習的實現可以分為兩步：訓練和預測，類似與歸納和演繹；

歸納（訓練）：從具體案例中抽象出一般規律，機器學習中的“訓練”也是如此，從模型輸入x和模型輸出y中學習y和x的關系，某種規律體現為表達式；

演繹（預測）：從一般規律推導出具體案例的結果，基于訓練得到y與x的關系，出現新的輸入x計算得出y，通過模型計算輸出和真實的輸出一致，則說明模型有效；

機器學習的實施方法：機器思考過程中確定模型的三個關鍵要素：假設，評價，優化；

合理的假設可以最大化解釋已知數據，因此，模型有效的基本條件是 能夠擬合已知的樣本；

衡量模型預測值和真實值差距的評價函數也被稱為損失函數；

最小化損失是模型的優化目標，實現最小化損失的方法稱為優化算法。

模型假設，評價函數(損失/優化目標)和優化算法是構成模型的三個關鍵要素；

機器執行學習任務的框架體現了其學習的本質是“參數估計”；

3.深度學習

相比傳統的機器學習算法，深度學習做出了哪些改進呢？其實兩者在理論結構上是一致的，即：模型假設、評價函數和優化算法，其根本差別在于假設的復雜度。

神經網絡的基本概念

人工神經網絡包括多個神經網絡層，如：卷積層、全連接層、LSTM等，每一層又包括很多神經元，超過三層的非線性神經網絡都可以被稱為深度神經網絡。通俗的講，深度學習的模型可以視為是輸入到輸出的映射函數，如圖像到高級語義（美女）的映射，足夠深的神經網絡理論上可以擬合任何復雜的函數。因此神經網絡非常適合學習樣本數據的內在規律和表示層次，對文字、圖像和語音任務有很好的適用性。這幾個領域的任務是人工智能的基礎模塊，因此深度學習被稱為實現人工智能的基礎也就不足為奇了。

神經網絡的基本結構：

• 神經元：?神經網絡中每個節點稱為神經元，由兩部分組成：
  • 加權和：將所有輸入加權求和。
  • 非線性變換（激活函數）：加權和的結果經過一個非線性函數變換，讓神經元計算具備非線性的能力。
• 多層連接：?大量這樣的節點按照不同的層次排布，形成多層的結構連接起來，即稱為神經網絡。
• 前向計算：?從輸入計算輸出的過程，順序從網絡前至后。
• 計算圖：?以圖形化的方式展現神經網絡的計算邏輯又稱為計算圖，也可以將神經網絡的計算圖以公式的方式表達：

Y=f3(f2(f1(w1?x1+w2?x2+w3?x3+b)+…)…)…)Y=f3?(f2?(f1?(w1??x1?+w2??x2?+w3??x3?+b)+…)…)…)

由此可見，神經網絡并沒有那么神秘，它的本質是一個含有很多參數的“大公式”。如果大家感覺這些概念仍過于抽象，理解的不夠透徹，先不用著急，下一章會以“房價預測”為例，演示使用Python實現神經網絡模型的細節。