1、深度学习是什么？
是机器学习的一个分支，用大量数据解决机器感知问题，包括图像理解、语音理解、机器与世界交互等。
维基百科对深度学习的解释：英文，中文
2、课程概览
课程分为四个部分。
第一部分，用彻底的端到端方法训练第一个简单模型，涉及到逻辑分类（logistic classification）、随机优化（stochastic optimization）、训练模型的通用数据实践（data & parameter tuning）。
第二部分，训练第一个深度网络（deep networks），用正则化技术（regularization）训练更大的模型。
第三部分，介绍图像和卷积网络模型（convolutional networks）.
第四部分，关于文本和序列，训练嵌入（embedding）和递归模型（recurrent networks）
3、深度学习是一组能适用于各种数据和各种问题的技巧，使用共同基础结构和共同语言来描述事物。在上世纪八九十年代就做出了神经网络的很多重要工作，但由于当时计算机速度慢以及数据量小，在21世纪前几年神经网络的研究十分边缘，由于大量数据以及便宜快速的GPU，神经网络从2009年开始复兴。现在想做数据分析与预测，就必须了解神经网络。
4、分类问题是机器学习的基石。一旦会分类，则检测、排序十分简单。例如，检测行人问题可以转化为行人/非行人的分类问题；网页搜索排序问题也可以转化为分类问题：训练一个分类器，将搜索请求和网页作为输入，输出相关/不相关。
5、逻辑回归是一种线性分类器。Wx+b=y，x为输入向量，W为权重矩阵，b为偏置向量，y为得分向量（在逻辑回归中得分又叫logits），通过softmax函数将得分转化为概率。我们要训练W，b，使正确分类的概率最大。
未完待续……
