| 张瀚天 |
人工智能的目的是为了让机器能够像人一样思考，为人们解决问题。机器学习是人工智能的实现方式，机器学习需要模型、策略和算法。相较于传统机器学习，现在深度学习交给机器来优化模型中大量的权重参数，减轻了人的工作量，现在也有越来越多的人投身其中，听完课之后，我发现人工智能虽然目前还有很多“不能”，但仍然比我想象的要强大。 |
关于人工智能方面的数学上的东西我属于是一窍不通了。比如我只知道：激活函数（Activation functions）对于人工神经网络模型去学习、理解非常复杂和非线性的函数来说具有十分重要的作用。什么从线性到非线性的转换，关于其中的数学原理等等，我属于是一窍不通了，大神们到底是怎么想出这些东西来的。到后面玻尔兹曼机和自编码器基本上搞不懂了。 |
| 孔深弘 |
了解了人工智能、机器学习、深度学习的关系。人工智能是一个大的概念，机器学习是其中的一个方面，而深度学习又是机器学习的一个方面。 了解了深度学习的发展历史以及它的“能”与“不能”。深度学习的三要素是算法、算力、数据。它依赖于大数据，由于数据的偏颇会造成机器偏见。在深度学习中，有一个很重要的概念是神经网络。神经网络中有两个重要的概念：单层感知器和多层感知器。单层感知器是是首个可以学习的人工神经网络，但是解决不了非线性问题，于是就由单层感知器的线性任务组合推进到了多层感知器来实现相关非线性问题。视频中的内容涉及很多数学上的知识，需要加强数理方面的基础再去更好地理解 |
第二个视频后面关于梯度消失，自编码器，逐层预训练，玻尔兹曼机都不是很明白 |
| 孔靖雅 |
机器学习适用于问题复杂度高，规模大，数据足够多的问题。机器学习主要通过建立模型，确定目标函数，以及求解模型参数来完成。 机器学习模型通过数据标记分为监督学习模型和无监督学习模型。数据分布分为参数模型和非参数模型。 建模对象分为生成模型和判别模型。 深度学习是机器学习的一种。大数据，算法，计算力是深度学习的三个助推剂。 深度学习不能： 1.算法输出不稳定，容易被攻击。 2.模型复杂度高，难以纠错和调试。 3.模型层级复合程度高，参数不透明。 4.端到端训练方式对数据依赖性强，模型增量性差。 5.专注直观感知类问题，对开放性推理问题无能为力。 6.人类知识无法有效引入进行监督，机器偏见难以避免。 深度学习准确性很高但是解释性很差。 神经网络 局部极小值和梯度消失问题通过权重初始化 逐层预训练 自编码器，受限玻尔兹曼机：两层神经网络 |
学习人工智能应该着重学习哪一部分？数学公式，模型，还是算法? |
| 温昕 |
看了视频之后我大致了解了人工智能的起源，发展过程和前景，知道了一些机器学习，深度学习以及神经网络相关的知识和概念。深度学习是用于建立、模拟人脑进行分析学习的神经网络，并模仿人脑的机制来解释数据的一种机器学习技术。它的基本特点，是试图模仿大脑的神经元之间传递，处理信息的模式。最显著的应用是计算机视觉和自然语言处理(NLP)领域。“深度学习”是与机器学习中的“神经网络”是强相关，“神经网络”也是其主要的算法和手段；或者我们可以将“深度学习”称之为“改良版的神经网络”算法。人工智能是一个很老的概念，机器学习是人工智能的一个子集，深度学习又是机器学习的一个子集。机器学习与深度学习都是需要大量数据来“喂”的，是大数据技术上的一个应用，同时深度学习还需要更高的运算能力支撑，如GPU。 |
视频中涉及到的相关数学知识对我来说有些难以理解，反向传播部分自编码器不理解，涉及到的视频看的也是走马观花，只是有一个大概印象 |
| 钟卓桦 |
在视频学习中我接触到了之前听过很多遍，但又说不出所以然来的很多知识，比如人工智能、机器学习、神经网络等。了解到了他们的起源和发展，遇到的问题和现状。明白了是如何用数学方法去模拟人的神经网络进行机器学习的，传统的机器学习存在着怎样的问题，而激活函数又是怎样对深度学习提供巨大贡献的。 |
虽然视频里面有些地方还是没看懂，但依然大受震撼！ |
| 康宇桓 |
人工智能研究的范围非常广，包括演绎、推理和解决问题、知识表示、学习、运动和控制、数据挖掘等众多领域。人工智能包含机器学习，机器学习又包含了深度学习，经典的机器学习过程需要人工提取特征而深度学习可以基于计出特征提取循序渐进转换为复杂特征提取。深度学习强调模型结构的重要性，强调非线性处理与特征提取转换。即便如此，深度学习也有其缺陷，比方说由于模型复杂度、复合程度过高，所以要强调模型复杂度；算法输出不稳定等一系列问题 |
对多隐层网络中的误差反向传播、梯度消失问题部分，玻尔兹曼机及玻尔兹曼分布对梯度下降的作用没听懂 |