一，机器学习：
1.模式识别
2.数据挖掘
3.统计学习
4.计算机视觉
5.语音识别
6.自然语言处理

二，学习思路

1. 人类学习的思路：通过观察总结经验获取技能
2. 机器学习的思路：通过数据积累（计算）经验获取技能
   有监督学习：
   给定输入，预测输出
   分类，回归
   半监督学习：
   使用部分有监督数据+无监督数据
   无监督学习：
   挖掘输入数据好的特征表示
   聚类，降维
   增强学习：
   在环境给予的奖励或惩罚的刺激下，逐步做出最大利益的习惯性行为

三，Deep Learning = Learning Representations/Features
1.传统模式识别：固定特征提取器或者手工制造
2.端对端学习 特征学习，深度学习，Trainable Feature Extractor，Trainable Classifier
3.如果存在多个非线性特征变换，那么它就是深度的

四，发展历程ILSVRC

重点GoogleNet：宽度，Inception Module
MSRA

五，激活函数
激活函数（Activation functions）对于人工神经网络模型去学习、理解非常复杂和非线性的函数来说具有十分重要的作用。它们将非线性特性引入到我们的网络中。在神经元中，输入的 inputs 通过加权，求和后，还被作用了一个函数，这个函数就是激活函数。引入激活函数是为了增加神经网络模型的非线性。没有激活函数的每层都相当于矩阵相乘。就算你叠加了若干层之后，无非还是个矩阵相乘罢了。

六，常用的激活函数

七，全连接网络

八，卷积神经网络

九，图像卷积

十，不同的图像卷积示例




十一，MaxPooling

十二，全连接层

十三，卷积神经网络

十四，几种重要的CNN结构



十五，网络结构配置文件

十六，深度学习应用领域

十七，图像分析

十八，图像检测

十九，图像识别

二十，语义分割

二十一，图像语义检测

二十二，姿态估计

二十三，服饰关键点预测与属性识别


二十四，模特换装

二十五，人脸识别

二十六，图像超分辨率

二十七，高清图像生成