机器学习、深度学习概念术语的理解

feature learning：也叫 representation learning，表示学习；

deep learning：deep structural learning，deep machine learning；

hierarchical

neuron： nerve cell，神经细胞的别称；

0. concepts

机器学习的分类：

预测（predicative），被称为 supervised learning

如果输出为 categorical，问题又可称为 分类或者模式识别；

如果输出为实数（real-valued），问题则被称为回归型问题；

描述（descriptive ），则被称为 unsupervised learning，也称为知识发现（knowledge discovery）

可见节点，不可见结点；

visible neurons：输入层，输出层；

invisible neurons：隐层；

linear or non-linear：

aℓ=σ(wℓ⋅aℓ−1+bℓ)（线性变换，非线性激励）

wℓ⋅aℓ−1+bℓ 线性变换，自然是线性的；

σ(zℓ)：因为 S 型函数的定义所在，这一步转换又是非线性的；

1. retina layer、receptive fields

m-1 层，也即最开始的层，代表 retina layer 视网膜层（表示整个网络结构的输入）

m 层，具有宽度为 3 的 receptive fields，也因此 m 层的神经元只连接着其邻接层（retina layer，m-1 层）中的 3 个神经元；

m+1 层具有同 m 层一样的连接性质，其上的 receptive fields 也是 3，但第 m+1 层关于输入层（m-1）层更大，是 5，

参照其英文表述，their（m+1）receptive field with respect to the layer below（m 层）is 3，but their（m+1）receptive field with respect to the input （m-1） is larger（5）。

2. end-to-end

什么是end-to-end神经网络？

端到端，更直观地说，对应着输入到输出（输入层到输出层），对于语音识别（speech recognition）的问题：

audio（X）⇒ phonemes ⇒ transcript （Y）（(X,Y)）

audio ⇒ transcript



经典机器学习方式是以人类的先验知识将 raw 数据预处理成 feature，然后对feature 进行分类。分类结果取决于 feature 的好坏。所以过去的机器学习专家将大部分时间花费在设计 feature 上。那时的机器学习有个更合适的名字叫 feature engineering。

利用神经网络，让网络自己学习如何抓取 feature 效果更佳。于是兴起了representation learning。这种方式对数据的拟合更加灵活。

网络进一步加深，多层次概念的 representation learning （也就是著名的 deep learning）将识别率达到了另一个新高度。

end to end的好处：通过缩减人工预处理和后续处理，尽可能使模型从原始输入到最终输出，给模型更多可以根据数据自动调节的空间，增加模型的整体契合度。