目录

1、深度学习与机器学习的区别： 

2、机器学习流程：

3、深度学习：

4、特征工程的作用：(特征工程要更重要)

5、如何提取特征：

 6、计算机视觉面临的挑战：

---

1、深度学习与机器学习的区别： 

深度学习最大的优势就是不用我们自己去选特征了，AI领域最大的难题就是怎么去提特征。但是深度学习是一个端到端的，一条龙服务，由输入到输出，过程不需要我们管，深度学习的优势就体现在这里，中间所有过程你不需要去管了。(把神经网络当做一个特征提取器，特征是非常重要的)

深度学习缺点：在去建模的时候，对于分析方面的需求不是很满足，他一般是得到一个输出结果。

2、机器学习流程：

• （1）数据获取
• （2）特征工程(hard)
• （3）建立模型
• （4）评估与应用

3、深度学习：

拿到数据之后，让这个网络去学习一下什么样的特征是比较合适的，该怎样组合是比较合适的，这是深度学习与人工智能更接近的地方，不用人为的去选择特征。(深度学习是机器学习的一部分也是最核心的一部分，其中最大的解决了特征工程的问题)

4、特征工程的作用：(特征工程要更重要)

1. 数据特征决定了模型的上限。
2. 预处理和特征提取是最核心的。
3. 算法与参数选择决定了如何逼近这个上限。

5、如何提取特征：

 神经网络这个大黑盒子(虽然他是一个黑盒子，但是我们得知道他其中的每一个细节是如何去做的)，能够自动的对数据进行特征提取。计算机去学习什么样的特征他觉得是最合适的。

------------------------深度学习解决的核心问题是怎么样去提特征。--------------------

 6、计算机视觉面临的挑战：

1. 照射角度
2. 形状改变
3. 部分遮蔽
4. 背景混入