本章的表示学习主要就是通过无监督训练学习特征的意思。
这种没有具体的算法，就是介绍表示学习的应用和大概的分支，至于如何进行表示学习，没有详细介绍。感觉可以直接跳过。。
贪心逐层无监督预训练
贪心算法在无监督训练中的应用，每层只关心当前，进行训练。
无监督指低层训练的网络在训练高层时不会改变。
后面就是通过实验证明无监督预训练好。。。
迁移学习和领域自适应
监督学习的应用场景介绍。
半监督解释因果关系
生成对抗网络的好处。。
分布式表示
通过分布式将输入空间分成多个区域。主要理解就是类似将一个物体通过多个特征表示出来。可以进行类似word2vec的计算。通过一个戴眼镜男人减去一个男人加上一个女人的照片，得到戴眼镜女人的照片。即将样本的生成方式变成分布式。
得益于深度的指数增益
一样，深度增加，网络的表示能力时指数及增加的。
提供发现潜在原因的线索
感觉就是介绍一些表示学习的先验吧，如样本通常变化平滑、流形表示、层次组织等。
感觉这章价值不大，可能我没用到吧还。。
