- x轴是不同的模式：符号学---概率模型---机器学习
- y轴是我们想做的东西（问题领域）：感知（了解这是什么东西，能看见这个物体）---（做）推理（基于我看到的东西想象未来可能发生的事情）---（形成自己的）知识（根据数据/现象形成知识）---（最后做）规划（知道所有东西，能有长远的规划）
- 自然语言处理：处于感知阶段，eg:自然语言处理用的最多的机器翻译（人最多几秒反应过来的问题就是感知问题），最初应用在符号学（因为语言是一种符号）
- 计算机视觉：比自然语言处理前进了一点阶段，能在一些图片中做出推理，图片里面都是一些像素，很难用符号解释，计算机视觉大部分使用概率模型/机器学习
- 深度学习：是机器学习的一种，能做自然语言处理，计算机视觉
深度学习在一些应用的突破：
- 图片分类：imagenet是一个比较大的数据集，大概100万张图片
x轴：时间；y轴：错误率；每一个点：paper中的错误率
- 物体检测和分割：物体中图片中是位置&每一个像素是属于什么物体
- 样式迁移：能任意换成我想要的形式，只要找到一个样式的图片，我就能把它换过去
- 人脸合成：
- 文字生成图片：
- 文字生成：
- 无人驾驶：
案例研究 ---广告点击
- 输入：文字搜索关键词，输出：基于文字搜索关键词的广告推荐
- 该问题分为三个阶段：
- 触发：输入关键词时，先给你找到一些关键词出来，
- 点击率预估：（是机器学习的模型）预测看到一个广告之后每一个人点击广告概率
- 排序：根据 点击率 X 广告主支付的竞价 进行排序，按照从大到小的顺序排序，排名高的广告放页面的最前面，排名低的，可能直接被舍弃
步骤2最重要，是一个机器学习的模型，具体步骤：
- 根据广告进行特征提取（提取的特征有：广告主 广告产品的描述信息 产品图片）
- 模型（提取的特征放进模型里）
- 预测点击率
训练：
- 训练数据：过去广告存在某个地方，有记录用户真实的点击行为
- 特征提取
- （放进）模型
甲方（提需求）：领域专家
乙方：数据科学家
