之前做过一些策略应用的事情，所以对一些策略的常识会有所了解，深度学习是最近两年比较火的技术和方法，所以抱着了解的心情去看了看，然而其实到现在也不太了解，但是这个已经拖了比较久的时间了，怕过段时间，忘记的更多，先暂时用我理解的方式去记录一下，将来在这个基础上，如果有之前理解出错的地方，再来重新整理；

机器学习，我所理解的，就是利用计算机强大的计算能力，去模拟人思考的一个过程，举个例子：人怎么判断另外一个人是男是女，无非就是先看看脸，再看看衣服，听听声音，看看走路的姿态，然后综合起来给出一个判断，而实际上，人在看或者听的时候，就是把脸或者衣服等等，拆分成一个个小小的特征（如眼睛颜色、肤色、是否涂了唇膏、衣服的颜色等等），在大脑里进行超快的计算，然后最后得到一个权重，从这个权重可以判断男、女、不知道性别这三个选项，（当然人思考的过程不可能这么简单，很多时候还会有直觉这个选项，但是不管怎么说，先按这种直觉上可以理解的方式来进行好了），机器学习无非就是用计算机来模拟这个过程，将这些特征用数值的方式进行表示，用各种方程来进行拟合，尽可能的拟合出一条和之前各个点距离最近的曲线（线性或者非线性），用这个曲线来代表人判断的一个过程；

因为一般拟合的方法都是几十年前由大牛想出来的，这么多年来也少有人提出更新颖的想法或者改进的方法，这个暂且不去讨论；从而导致影响结果最大的，就是选特征了，所以一般做策略的同学就聚焦在选特征上，导致策略就是一项拼体力的活，一半是标注，一半是选特征；

深度学习在我的理解上，就是解决选特征的事情，他把选特征这个事情交给计算机来做，只要给出最基本的元数据就可以了，计算机利用强大的计算能力，自行将元数据进行各种组合，然后进行自迭代，自行增删特征，最后选出合适的特征，这个过程交给计算机来做，一方面能降低人的工作量，另外一方面之前的选特征主要取决于策略同学的经验或者甚至是灵感，其实只要计算机性能好，穷举是最好的算法。。。然后下一步可以做的，无非就是在这个基础上，引入各种数据结构，剪枝啥的，提升性能

所以这个问题就是在于怎么描述元特征的问题，使得他们方便的进行各种组合，所以之前的深度学习基本上都是采用最经典的东西来进行试验，就是图片，因为规格统一，容易描述，文字类的好像还比较少，比如google的猫，百度内部我所了解的也是在图像上；

更深的算法，就没有看了，应该是低维度的数据抽象成高维度的数据，然后高维度的数据再进行快速计算，反哺给低维度的，将来有空的时候，会用深度学习去做一个项目，做完了应该就全懂了，现在这样效率比较慢。。就不看了