AI早期成就，相对朴素形式化环境，不要求世界知识。如IBM深蓝(Deep Blue)国际象棋系统，1997，击败世界冠军Garry Kasparov(Hsu,2002)。国际象棋，简单领域，64个位置，严格限制方式移动32个棋子。可由简短、完全形式化规则列表描述，容易事先准备。抽象、形式化，是人类最困难脑力任务，但计算机最容易。早期打败人类最好象棋选手，最近识别对象、语音任务达到人类平均水平。日常生活需要世界巨量知识，主观、直观，很难形式化表达。计算机智能需要获取同样知识。关键挑战，非形式化知识传给计算机。

世界知识形式化语言硬编码(hard code)。逻辑揄规则自动理解形式化语言声明。人工智能知识库(knowledge base)。著名项目Cyc(Lenat and Guha,1989)，一个推断引擎，一个CycL语言描述声明数据库。声明由人类监督者输入。设计足够复杂形式化规则精确描述世界(Linde,1992)。

AI系统需自己获取知识。原始数据提取模式，机器学习(machine learning)。解决现实世界知识问题，作为主观决策。逻辑回归(logistic regression)决定是否建议剖腹产(Mor-Yosef et al.,1990)。朴素贝叶斯(naive Bayes)区分垃圾电子邮件。简单机器学习算法性能依赖给定数据表示(representation)。需要人工提供信息特征，不能影响特征定义方式。表示依赖。数据集合结构化、智能索引，搜索速度指数加快。表示选择影响机器学习算法性能。先提取合适特征集，提供给简单机器学习算法。

机器学习发掘表示本身，不仅把表示映射输出。表示学习(representation learning)。表示学习算法发现好特征集效果比人工高。表示学习算法典型例子，自编码器(autoencoder)。编码器(encoder)函数和解码器(decoder)函数组合。编码器函数将输入数据转换不同表示，解码器函数将新表示转换为原来形式。输入数据经过编码器、解码器尽可能多保留信息，新表示有好特性，自编码器训练目标。实现不同特性，设计不同形式自编码器。设计特征、学习特征算法，分离解释观察数据变差因素(factors of variation)。因素指代影响不同来源，乘性组合，不能直接观察的量，影响可观测的量。为观察数据提供有用简化解释或推断原因，以概念形式存在人类思维。数据概念、抽象，帮助了解数据丰富多样性。多个变差因素同时影响观察数据。需要理清变差因素，忽略不关心因素。

深度学习(deep learning)，通过其他简单表示表达复杂表示，解决表示学习核心问题。简单概念构建复杂概念。计算机难以理解原始感观输入数据含义。复杂映射分解系列嵌套简单映射(每个由模型不同层描述)。输入展示在可见层(visible layer)，能观察到变量。一系列图像提取抽象特征隐藏层(hidden layer)。值不在数据给出。模型确定有利于解释观察数据关系的概念。图像是每个隐藏单元表示特征可视化。给定像素，第一层比较相邻像素亮度识别边缘。第二隐藏层搜索可识别角、扩展轮廓边集合。第三隐藏层找到轮廓、角特定集合检测特定对象整个部分。根据图像描述包含对象部分，识别图像存在对象。

典型例子，前馈深度网络、多层感知机(multilayer perceptron,MLP)。一组输入映射到输出值数学函数。多个简单函数复合。不同数学函数每次应用为输入提供新表示。学习数据正确表示。深度促使计算机学习一个多步骤计算机程序。每一层表示并行执行另一组指令后计算机存储器状态。更深网络按顺序执行更多指令。顺序指令，后面指令参考早期指令结果。表示存储状态信息，帮助国程序理解输入。度量模型深度，基于评估架构所需执行顺序指令数目。模型表示为给定输入后，计算对应输出流程图，最长路径为模型深度。相同函数被绘制为不同深度流程图，取决一个步骤的函数。概念关联图深度作模型深度。系统对简单概念理解，给出复杂概念信息，进一步精细化。深度学习研究模型更多学到功能或学到概念组合。深度学习将世界表示为嵌套层次概念体系(简单概念联系定义复杂概念，一般抽象概括到高级抽象表示)。

AI(知识库)->机器学习(逻辑回归)->表示学习(浅度自编码器)->深度学习(MLPs)。基于规则系统(输入->手工设计程序->输出)->经典机器学习(输入->手工设计特征->从特征映射->输出)->表示学习(输入->特征->从特征映射->输出)->深度学习(输入->简单特征->更抽象特征额外层->从特征映射->输出)。

深度学习适用领域，计算视觉、语音音频处理、自然语言处理、机器人技术、生物信息学化学、电子游戏、搜索引擎、网络广告、金融。

应用数学与机器学习基础->线性代数->概论、信息论、数值计算->机器学习基础->深度网络现代实践->深度前馈网络->正则化->优化->卷积神经网络->循环神经网络->实践方法论->应用->深度学习研究->线性因子模型->自编码器->表示学习->结构化概率模型->蒙特卡罗方法->配分函数->推断->深度生成模型。

深度学习历史趋势。深度学习历史悠久丰富。可用训练数据量增加，变得更加有用。针对深度学习计算机软硬件基础设施改善，模型规模增长。解决日益复杂应用，精度提高。
神经网络名称命运变迁。深度学习3次发展浪潮。20世纪40年代到60年代，控制论(cybernetics)。生物学习理论发展(McCulloch and Pitts, 1943; Hebb, 1949)，第一个模型实现(感知机 Rosenblatt,1958)，实现单个神经元训练。20世纪80年代到90年代，联结主义(connectionism)，反向传播(Rumelhart et al.,1986a)训练一两个隐藏层神经网络。2006年，深度学习复兴(Hinton et al.,2006a;Bengio et al.,2007a;Ranzato et al.,2007a)。深度涫超越机器学习模型神经科学观点。学习多层次组合。前身神经科学简单线性模型。用一组n个输入x1,…,xn，与一个输出y相关联。学习一组权重w1,…,wn，计算输出f(x,w)=x1w1+…+xnwn。控制论。
McCulloch-Pitts神经元(McCulloch and Pitts,1943)，脑功能早期模型。线性模型检验函数f(x,w)下负识别两种不同类别输入。模型权重正确设置使模型输出对应期望类别。权重由人工设定。20世纪50年代，感知机(Rosenblatt,1956,1958)，第一个根据每个类别输入样本学习权重模型。同时期，自适应线性单元(adaptive linear element,ADALINE)，简单返回函数f(x)值预测一个实数(Widrow and Hoff,1960)，学习从数据预测这些数。调节ADALINE权重训练算法，随机梯度下降(stochastic gradient descent)。当今深度学习主要训练算法。
基于感知机和ADALINE使用函数f(x,w)模型为线性模型(linear model)。目前最广泛机器学习模型。无法学习异或(XOR)函数，f([0,1],w)=1, f([1,0],w)=1, f([1,1],w)=0, f([0,0],w)=0。批评者抵触受生物学启发的学习(Minsky and Papert,1969)。神经网络热潮第一次大衰退。

现在，神经科学是深度学习研究重要灵感来源，不再是主要指导。没有足大脑信息作指导。大脑实际使用算法深刻理解，需要同时监测数千相连神经元活动。大脑最简单、最深入研究部分还没有理解(Olshausen and Field,2005)。

参考资料：
《深度学习》

欢迎推荐上海机器学习工作机会，我的微信：qingxingfengzi