深度学习：一种实现机器学习的技术
所谓深度学习，简单来说是机器学习的一个子集，用于建立、模拟人脑进行数据处理和分析学习的神经网络，因此也可以被称作是深度神经网络。其基本特点是模仿大脑的神经元之间传递和处理信息的模式。
深度学习的优势在于：
不需要手动设计特征，其自动学习的功能对于当前的任务来说最佳；
任务自动获得对抗数据自然变化的鲁棒性；
很强的泛化性，相同的深度学习方法可以用于不同的应用程序和不同的数据类型；
使用多GPU可以执行巨大的并行计算。当数据量很大时，会产生更好的输出结果；
其体系结构有可扩展性，具备适应新问题的潜能。
深度神经网络由三种类型的层组成：
输入层
隐藏层
输出层
机器学习：一种实现人工智能的方法
所谓机器学习，通俗来说是一种实现人工智能的方法，它赋予系统从经验中自动学习和发展的能力。与传统的为解决特定任务、硬编码的软件程序不同，研究人员会用大量的数据和各种算法来“训练”机器，让机器学习如何执行并完成任务。
机器学习的优势在于：
解决垃圾邮件检测的问题；
在制造领域优化设备功能，改善生产效率；
简化营销手段，协助预测销售量；
提升预测性维护功能；
提高安全性和网络性能
有如下几种常用算法：
Find-S
决策树
随机森林算法
神经网络
机器学习算法通常分为以下三大类：
有监督学习：需要从有标签的数据中学到或者建立一个模式。
无监督学习：数据是无标签的，机器学习算法需要先将数据分类，然后对数据结构进行描述，使复杂的数据看起来简单，以便进行后续分析工作。
强化学习：与监督学习相似，通过不断地探索学习，从而获得一个好的策略。
人工神经网络
神经网络，学名人工神经网络
单个生物神经元有不同的作用，当这些不同种类的神经元依据某种结构联系起来时，就成为神经网络。
树突用来接收其他神经元的输入信号。细胞体接收所有树突的输入，并通过细胞体内复杂的化学变化，确定细胞体是否需要对轴突产生输出。
神经元组成：输入部分（树突）、处理部分（细胞体）、输出部分（轴突）
神经元的特性：兴奋、传导
构造人工神经元的过程：
股票预测
循环神经网络
RNN：递归神经网络 Recursive Neural Network
RNN：循环神经网络 Recurrent Neural Network
LSTM的提出
Long Short Term Memory Networks
BP神经网络
Back Propagation也叫ErrorBackPropagation
BP (Back Propagation)神经网络是一种常见的人工神经网络，它可以用来解决各种各样的问题。主要用途如下:
分类：BP 神经网络可以用来解决分类问题，如手写数字识别、图像分类等。
回归：BP 神经网络也可以用来解决回归问题，如预测股票价格、气候预报等。
控制：BP 神经网络可以用来控制工业过程，如飞行控制、汽车驾驶控制等。
数据压缩：BP 神经网络可以用来实现数紧凑。
自然语言处理：BP 神经网络可以用来处理自然语言问题，如文本分类、机器翻译等。
强化学习：BP 神经网络可以和强化学习结合使用，在模拟环境中学习最优策略。
其他问题：BP 神经网络还可以用来解决其他问题，如生物信息学问题、物体识别、脑电信号分析等等。
总而言之,BP神经网络是一个通用模型，可以应用到各种各样的问题上。当然，由于数据类型的不同，对于不同的问题，需要采用不同的数据预处理方式和网络结构, 而且在实际中有时会更加先进的算法更适用。
