什么是人工智能 artifiail intelligence
机器具有认知的能力。人工智能的挑战在于解决对人来说很容易执行、但很难形式化描述的任务，譬如人的声音、人脸
深度学习 deep learning
机器学习是实现人工智能的一种方案，让计算机从经验中学习，以层次化的概念体系来理解世界，而每个概念则通过与某个相关联的简单概念之间的关系来定义。层次化的概念让计算机构建较简单的概念来学习复杂概念。如果绘制出表示这些概念如何建立在彼此之上的图，我们将会得到一张“深”（层次很多）的图。基于这个原因，我们称这种方法叫深度学习。
硬编码 hard code
人工维护知识库，通过程序逻辑推理规则来定义形式化语言中的声明。它没有办法判断一个拿着电动剃须刀刮胡子的人是一个人还是一个剃须刀。
机器学习 machine learning
机器具备自己获取知识的能力。简单点，我们知道了患者的特征，机器可以通过逻辑回归等算法将这些特征与结果关联，得出治疗的方案。机器学习依赖医生的医疗报告，才能获取相关的结果。设计特征是机器学习的必要条件。
表示学习 representation learning
对一些任务，我们很难去获取特征，该怎么办？解决这个方法的途径之一就是使用机器学习来发掘表示本身，而不仅仅把表示映射到输出，这种方法就是表示学习。
表示学习算法的典型例子是自编码器。
自编码器 autoencoder
自编码器由一个编码器函数和一个解码器函数组合而成。编码器函数将输入数据转换为一种不同的表示，而解码器函数则将这个新的表示转换回原来的形式。
变差因素 factors of variation
当设计特征或者设计学习特征的算法时，我们的目标通常是分离出能解释观察数据的变差因素。当分析语音记录时，变差因素包括说话者的年龄、性别、口音和他们说的词语。当分析汽车图像时，变差因素包括汽车的位置、颜色、太阳的角度和亮度。
多层感知机 multilayer perceptron MLP
多层感知机仅仅是一个将一组输入值映射到输出值的数学函数。该函数由许多较简单的函数复合而成。我们可以认为不同数学函数的每一次应用都为输入提供了新的表示。
AI学科
基于规则的系统
经典的机器学习
表示学习（包括深度学习）
深度学习
