備注：為學習TensorFlow準備楞泼，因為時間上只有少量的碎片化時間可以用驰徊，所以每次學習后笤闯，就把學習到的寫一寫。因為章節(jié)可能跳動比較大棍厂，序號只是為了方便記錄順序颗味。
計算機發(fā)明的初期，憑借存儲和運算速度牺弹，解決了部分對人麻煩的事浦马，比如公式計算，數(shù)據(jù)存儲等张漂。但是對自然語言晶默，圖像識別，語音識別還沒什么辦法航攒。
為了解決這個問題磺陡，研究人員搞出來了一個角知識圖庫，清晰明確定義事物以及關聯(lián)屎债。計算機是懂了這部分的知識啦仅政。但是新的問題又出現(xiàn)，沒那么多人力物力盆驹，同時也不是所有的知識都能定義成計算機能懂的固定格式圆丹。這時候就需要機器學習。
機器學習的在這本書定義為：“如果程序可以在任務T上躯喇，隨著經(jīng)驗E的增加辫封，效果P也能隨之增加，稱這個程序可以從經(jīng)驗中學習”廉丽。
其中經(jīng)驗E便是很重要的一點倦微，在監(jiān)督式機器學習中，這便是訓練數(shù)據(jù)正压。對于訓練數(shù)據(jù)來說欣福，最重要的便是提取特征值。
深度學習是機器學習的分支之一焦履，它的核心問題之一就是自動地將簡單的特征組合成更加復雜的特征拓劝，并使用這些組合特征來解決問題。
輸入-> 基礎特征提取-> 多層復雜提取-> 權重學習-> 預測結果
