1.6 本章小结

本章围绕神经网络和深度学习的概念、内涵、研究内容及学习意义等深入展开论述。要理解深度学习的意义或重要性，就得从机器学习或人工智能的更广的视角来分析。在机器学习中，除了模型和学习算法，特征表示也是影响最终学习效果的重要因素，甚至在很多任务上比算法更重要。在实际开发一个机器学习的应用时，往往需要花费大量的时间和精力，尝试不同的特征及特征组合，以此来提高系统的鲁棒性，这就是所谓的特征工程问题。其中表示学习是机器学习中的问题关键，早期的表示学习方法（如特征提取和特征选择）都是引入一些人工的主观假设来进行学习的。这种表示学习方法不是端到端的学习方式，得到的表示不一定对后续的机器学习任务有效。而深度学习则是对表示学习和预测模型的学习进行端到端的学习，中间不需要人工干预。深度学习要解决的问题是贡献度分配问题，而神经网络恰好是解决这个问题的有效模型。目前，深度学习主要以神经网络模型为基础，研究模型架构设计，并能够有效地学习模型的参数，通过优化模型性能，使其在不同任务中都能得到很好的应用。神经网络研究主要依据脑组织的结构和机理，是从生物神经网络的构成上得到启发的。

深度学习的研究进展非常迅速。因此，最新的文献一般会发表在学术会议上。与深度学习相关的学术会议主要如下。

（1）国际表征学习大会（International Conference on Learning Representations，ICLR）：主要聚焦深度学习。

（2）神经信息处理系统大会（Annual Conference on Neural Information Processing Systems，NeurIPS）：交叉学科会议，但偏重于机器学习，主要包括神经信息处理、统计方法、学习理论及应用等。

（3）国际机器学习会议（International Conference on Machine Learning，ICML）：机器学习顶级会议。深度学习作为近年来的热点，也占据了ICML。

（4）国际人工智能联合会议（International Joint Conference on Artificial Intelligence，IJCAI）：人工智能领域顶尖的综合性会议，历史悠久，从1969年开始举办。

（5）国际人工智能协会（AAAI Conference on Artificial Intelligence，AAAI）：人工智能领域的顶级会议，每年二月份左右召开，地点一般在北美。

另外，人工智能的很多子领域也都有非常好的专业学术会议。在计算机视觉领域，有IEEE国际计算机视觉与模式识别会议（IEEE Conference on Computer Vision and Pattern Recognition，CVPR）和计算机视觉国际大会（International Conference on Computer Vision，ICCV）；在自然语言处理领域，有国际计算语言学协会（Annual Meeting of the Association for Computational Linguistics，ACL）和自然语言处理实证方法会议（Conference on Empirical Methods in Natural Language Processing，EMNLP）等。