深度學習是一個機器學習問題，從有限的樣例中通過算法總結出一般規律，并可以應用到新的未知數據上。一種可以比較好解決貢獻度分配的問題的模型是人工神經網絡，簡稱神經網絡。因為神經網絡模型一般比較復雜，從輸入到輸出的信息傳遞路徑一般比較長，所以復雜神經網絡的學習可以看成一種深度的機器學習，即深度學習。

神經網絡與深度學習并不等價，深度學習可以采用神經網絡模型，也可以采用其他模型（比如深度信念神經網絡是一種概率圖模型）

人工智能分為兩派：

1.符號主義：人類的認知過程可以看做符號操作過程。

2.連接主義：人類的認知過程是由大量的簡單神經原構成的神經網絡中的信息處理過程，而不是符號計算。因此，連接主義模型是由大量簡單的信息處理單元組成的互聯網絡，具有非線性、分布式、并行化、局部性計算以及自適應性等特性。

符號主義方法等一個優點是可解釋性，這也是連接主義的弊端。深度學習的主要模型神經網絡就是一種連接主義模型。隨著深度學習的 發展，越來越多的研究者開始關注如何融合符號主義和連接主義，建立一種高效并且具有可解釋性的模型。

將圖像數據表示為向量的方法有很多種，比如直接將一副圖像的所有像素值（灰度值或者rgb值）組成一個連續向量。

深度學習是一種端到端學習，不需要明確給出不同模塊或階段的功能，中間過程不需要人為干預，端到端學習的訓練數據為“輸入-輸出”對的形式，無需提供其他額外信息。

總結

以上是生活随笔為你收集整理的机器学习基础（1）——绪论的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。