一、我看深度学习
徐一凡：此次对于机器学习和深度学习的任务让我打开新世界的大门，不仅让我体会到目前的各学科交叉性，互补性的增强，更体会到ai，深度学习的越来越重要的地位。观看视频结合课外自我主动学习，我深刻认识到机器学习，计算机视觉，神经网络等的博大精深，自己也在课下配置了相关环境，并学习了相关的基础知识。 通过对深度学习的步步深入学习 从最开始的tensorflow的学习让我了解到图与会话的分离，见识到不同于传统编程的操作方式（虽然现在tensorflow2.0已经大大简化了），但是其原本的设计思路还是对我深刻理解其代码产生了重要作用。 到后续通过各种手段了解学习到的一些知识，让我在层层深入的同时学习到了很多知识，如对于开始的浅层学习中（即图形特征与粒度的分析）而产生的一系列著名的如依赖矩阵的稀疏编码，更是让我体会到了对于数据的处理方式的重要性，与此同时，针对相关传统神经网络的训练方法深度学习更是在此基础上对于梯度预测函数进行了一系列优化，常用模型的学习如限制波尔兹曼机，深信度网络，卷积神经网络等，都对于线性代数，高等数学提出了高要求，对我来说是真的难啊。
最后，在进行实验过程中也发现了自己的诸多不足，比如进行m@v时候的数据类型问题，还有实验过程中妄图对给的源代码进行自我改造最后全线崩盘的事情，都告诉我软件工程学习任重道远，深度学习之路遥遥无期。
宋蕾：1、从全球整体来看，人工智能存在严重的供给不足，在我们国家该现象尤其严重，人才稀缺，供不应求。国家在完善人工智能教育体系，推动人工智能一级学科建设，并且建设人工智能复合特色专业。人工智能最初起源于图灵测试，最简单的就是验证码系统以及数字验证码，但随着科技的不断提高，图片验证码现在容易破解。人工智能分为计算智能（能存能算）、感知智能（会说会认）——现代、认知智能（能理解，会思考）。人工智能可以和各种领域相结合，例如金融（芝麻信用）、内容创作（DreamWriter撰写新闻稿；设计师鲁班系统在双十一参与制作了数亿张海报）、机器人（人对人工智能最终的想象）。而实现人工智能最重要的方法是机器学习。机器学习减少人工繁杂工作，但结果可能不易理解；提高信息处理的效率，准确率较高；来源于真实数据，减少人工规则主观性，可信度高。机器学习擅长用优化的方式寻找近似解。深度学习可以溯源至神经网络。使用传统的机器学习去解决问题有时候需要几十年，但现在使用深度学习，同样的问题可能只需要几个月，而我们所向往的人工智能时，我们给机器提供材料，让机器可以自主的去想解决方法完成任务。
2、深度学习的不能：算法输出不稳定，容易被“攻击”；模型复杂度高，难以纠错和调试；模型层级复合程度高，参数不透明；端到端训练方式对数据依赖性强，模型增量性差；专注直观感知类问题，对开放性推理问题无能为力；人类知识无法有效引入进行监督。模型准确率不断提高，解释性却没有提高。
3、单层感知器就是最早的神经网络模型。单层感知器能实现简单得与非或。多层感知器就是多层的与非或叠加在一起所实现的。
4、多层神经网络可以看成是一个复合的非线性多元函数。通过误差讯号回传，重新调整神经元权重。自编码器一般是一个多层神经网络，训练目标是使输出层与输入层误差最小。RBM则是两层神经网络，包含可见层和隐藏层，不同层之间全连接，层内无连接。
5、探索人工智能道阻且长，我们仍旧需要不断学习！
问题：RBM sigmoid激活函数推导不太理解
郭夏敏： 通过视频系统地了解了人工智能的起源，发展和现状。知道了人工智能分为三个层面：计算智能、感知智能和认知智能。人工智能在我们生活中的作用不可小觑，已经在方方面面极大便利了我们的生活，但同时也带来一定的威胁。
机器学习已经经历了多代，有一套完备的模型结构，如：线性回归、Logistic回归、决策树、支持向量机、贝叶斯模型、正则化模型、集成模型、神经网络等，每一个预测模型都基于一定的算法结构。机器学习是人工智能的一部分，而深度学习是机器学习研究中的一个新的领域（人工智能>机器学习>深度学习），其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。与经典机器学习技术相比，深度学习提供了一个更强大的预测模型，通常能产生良好的预测。
雍家齐：看完视频我认为，要学好深度学习需要很多数学知识，里面又很多概念是自己不清楚的，需要去看，去记忆。学习好深度学习是一件很困难的事情，里面又很多算法很多模型需要去掌握。任何事情的发展历程都是非常艰难的，都是在质疑中去进步的。我相信通过学习，我也可以写出自己的模型和算法。从现在开始，先把数学补上。
黄润子：通过这两个视频，我首先了解到了人工智能是一个很大的概念，并且知道了了人工智能的起源、发展以及应用，什么是机器学习、深度学习以及他们之间的关系。例如：深度学习是机器学习使用了神经网络的一种技术。机器学习是一种实现人工智能的方法。机器学习就是用算法解析数据，对世界中发生的事做出判断和预测的一项技术。研究人员用大量数据和算法“训练”机器，让机器学会如何执行任务。
孙钦印：机器学习并非用于有解析解的问题，而是用于求一个近似解。人工智能是一个目标，机器学习是实现人工智能这一目标的一类方法，深度学习式机器学习中很小的一部分 深度学习更像一个白盒，能得到正确的结果但对中间过程没有清晰的理论
学习疑问：感觉对所有的东西都挺迷惑
个人博客链接
徐一凡：
宋蕾 ： https://www.cnblogs.com/small-kui/articles/15369856.html
郭夏敏： https://www.cnblogs.com/ouc-19jsj/p/15387162.html
雍家齐： https://blog.csdn.net/wyjq0706/article/details/120663019
黄润子： https://blog.csdn.net/qq_45580430/article/details/120678294
孙钦印： https://blog.csdn.net/sunqinyin/article/details/120678628