一、人工智能、机器学习与深度学习
1.定义
2.传统机器学习和深度学习流程对比
3.人工智能、机器学习以及深度学习之间的关系
二、深度学习的应用
1.计算机视觉--图像识别
2.语音识别
3.自然语言处理(NLP)
4.人机博弈
三、深度学习工具介绍和对比
一、人工智能、机器学习与深度学习
1.定义
业界对机器学习的专业定义：如果一个程序可以在任务T上，随着经验E的增加，效果P也可以随之增加，则这个程序可以从经验中学习，这个过程称之为机器学习的过程。
2.传统机器学习和深度学习流程对比
3.人工智能、机器学习以及深度学习之间的关系
人工智能是一类非常广泛的问题，机器学习是解决这类问题的一个重要手段。深度学习是机器学习的一个分支。
深度学习的方法突破了传统机器学习方法的瓶颈，推动了人工智能领域的发展。
二、深度学习的应用
1.计算机视觉--图像识别
计算机视觉是深度学习技术最早实现突破性成就的领域。
【图像分类】
随着2012年基于ImageNet数据集，深度学习算法AlexNet赢得图像分类比赛ILSVRC冠军，深度学习开始受到学术界广泛关注。
News：
李飞飞：ImageNet证明深度学习需要海量数据支持
在谷歌，图像分类、物体识别技术已经被广泛应用于谷歌无人驾驶车、YouTube、谷歌地图、谷歌以图搜图等产品。
【人脸识别】
在人脸识别数据集LFW(Labeled Faces in the Wild)上，深度学习算法的系统DeepID2可以达到99.47%的识别率。
【光学字符识别】
定义：将计算法纪无法理解的图片中的字符，比如数字、字母、汉字等符号，转化为计算机可以理解的文本格式。
实例：基于Yann LeCun教授的
MNIST手写体识别
2.语音识别
基于TIMIT数据集，语音识别的错误率由基于传统的混合高斯模型（GMM）的21.7%降低到了使用深度学习模型的17.9%，然后引起了学术界和工业界广泛关注。
基于深度学习的语音识别目前被应用于苹果的Siri系统、Android的谷歌语音搜索、微软的skype的同声传译。
3.自然语言处理(NLP)
自然语言处理（Natural Language Processing，简称NLP）就是用计算机来处理、理解以及运用人类语言(如中文、英文等)
举个NLP面临的问题实例：
句子“我们把香蕉给猴子，因为它们饿了”和“我们把香蕉给猴子，因为它们熟透了”有同样的结构。但是代词“它们”在第一句中指的是“猴子”，在第二句中指的是“香蕉”。如果不了解猴子和香蕉的属性，无法区分。
自然语言处理的主要范畴：
情感分析
文本朗读（
Text to speech）/语音合成（Speech synthesis）
语音识别（Speech recognition）
中文自动分词（Chinese word segmentation）
词性标注（Part-of-speech tagging）
句法分析（Parsing）
自然语言生成（Natural language generation）
文本分类（Text categorization）
信息检索（Information retrieval）
信息抽取（Information extraction）
文字校对（Text-proofing）
问答系统（Question answering）
机器翻译（Machine translation）
自动摘要（Automatic summarization）
文字蕴涵（Textual entailment）
4.人机博弈
2016年3月15日 AlphaGo 4:1 击败韩国选手李世石
三、深度学习工具介绍和对比
无论在获得的星数（start）还是在被fork的此书上，Tensorflow都要远超其他深度学习工具
