第一次作业：深度学习基础
经过了第一周的学习，对深度学习有了系统的认识。
视频学习
1.1 绪论
1.2 深度学习概述
1.3 pytorch基础
代码练习
2.1 螺旋数据分类
2.2 回归分析
1. 视频学习通过视频学习整理出以下知识点，做好理论储备。
1.1 绪论AI诞生：1956年美国达特茅斯会议：人工智能 (Artificial Intelligence) 概念诞生。
图灵测试（英语：Turing test，又译图灵试验）是图灵于1950年提出的一个关于判断机器是否能够思考的著名思想实验，测试某机器是否能表现出与人等价或无法区分的智能。测试的谈话仅限于使用唯一的文本管道，例如计算机键盘和屏幕，这样的结果不依赖于计算机把单词转换为音频的能力。
——维基百科
关系：人工智能>机器学习>深度学习
机器学习应用领域：
计算机视觉(CV)、语音识别、自然语言处理(NLP)
计算机视觉应用：图像分类、目标检测、语义分割等
机器学习三要素：
模型：问题建模、确定假设空间
策略：确定目标函数
算法：求解模型参数
对于模型的分类：
数据标记：监督学习模型、无监督学习模型（半监督学习模型、强化学习模型）
数据分布：参数模型、非参数模型
建模对象：判别模型、生成模型
知识工程(专家系统) vs 机器学习(神经网络)
知识图谱(符号主义) vs 深度学习(连接主义)
机器学习模型：
人工智能的发展：
标志性人物：
名称 事件Rosenblatt 提出感知机(Perceptron)
Minsky 论证了感知机的局限(异或门与计算量)
Rumelhart 阐述BP反向传播算法及其应用
Yann Lecun 运用卷积神经网络(CNN)
Geoffrey Hinton 坚守神经网络研究，并改名深度学习(Deep Learning)，发表深度置信网络(DBN)并使用限制玻尔兹曼机(RBM)学习
Andrew Ng 使用GPU加快运行速度
李飞飞 宣布建立超大型图像数据库ImageNet，ILSVRC竞赛成为技术突破的转折点
Yoshua Bengio 使用修正线性单元(ReLU)作为激励函数
Schmidhuber 提出了长短期记忆(LSTM)的计算模型
Ian Goodfellow 提出生成式对抗网络(GANs)
2019年图灵奖：Geoffrey Hinton， Yann LeCun，和Yoshua Bengio
1.2 深度学习概述神经网络结构的发展：
深度学习三个助推剂：大数据、算法、计算力
深度学习的局限性：
线性回归、决策树、SVM、随机森林、深度学习，从左往右准确性（泛化性）递增，解释性递减。
M-P神经元：
M-P神经元由McCulloch与Pitts发现并命名，作为神经网络的基本单位。
各种激活函数：