目录
先来看机器学习：
什么是特征？
深度学习是表示学习的经典代表：
深度学习的过程：
深度学习与传统机器学习差别：
深度学习代表算法：
先来看机器学习：
机器学习是利用经验experience来改善 计算机系统自身的性能，通过经验获取知识knowledge。
以往都是人们向计算机输入知识，现在是通过经验的“特征”数据来产生模型model（传统的机器学习）
什么是特征？特征是给定任务特点的集合，依据实际情况而不同，由于特征的好坏会直接影响最终学习任务的性能，所以人们奇思妙想让机器自己学习产生特征（以往是我们人类认为这有哪些特征，直接输入计算机），人们尝试将特征学习这一过程也用机器自动学习得到，这便是“表示学习”（representation learning）
深度学习是表示学习的经典代表：表示学习的发展，释放了人工智能原来的束缚，提高了很多场景下的应用性能，同时其自适应性 是的人工智能系统可以很快的移植到 新任务上去。DL是RL的经典代表。
深度学习的过程：深度学习以原始数据raw data作为输入，经过 算法层层抽象为自身任务所需特征，最后在映射到任务目标， 中间无人为操作。
深度学习与传统机器学习差别：深度学习：输入->简单特征->更加抽象特征->。。。。->特征向任务目标的映射->输出
传统机器学习：输入->人工特征->特征向任务目标的映射->输出
深度学习代表算法：神经网络算法：深度置信网络（deep belief network）、递归神经网络（recurrent neural network）和卷积神经网络（Convolution Neural Network,CNN）
--学习笔记
同时推荐以前的博文总结
深度学习的发展历史