什么是深度学习：
深度学习（deep learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。
深度学习是机器学习中一种基于对数据进行表征学习的算法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务（例如，人脸识别或面部表情识别[6]）。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。[7]
表征学习的目标是寻求更好的表示方法并创建更好的模型来从大规模未标记数据中学习这些表示方法。表示方法来自神经科学，并松散地创建在类似神经系统中的信息处理和对通信模式的理解上，如神经编码，试图定义拉动神经元的反应之间的关系以及大脑中的神经元的电活动之间的关系。【转自维基百科】
深度学习入门视频课程（上篇）目录：
第1章深度学习必备基础知识点
1-1深度学习与人工智能简介11：27
1-2计算机视觉面临挑战与常规套路09：40
1-3用K近邻来进行图像分类10：01
1-4超参数与交叉验证10：31
1-5线性分类09：34
1-6损失函数09：18
1-7正则化惩罚项07：19
1-8softmax分类器13：38
1-9最优化形象解读06：47
1-10梯度下降算法原11：48
1-11反向传播15：17
第2章神经网络模型36分钟3节
2-1神经网络整体架构10：11
2-2神经网络模型实例演示10：38
2-3过拟合问题解决方案15：53
第3章神经网络案例实战1小时44分钟7节
3-1python环境搭建（推荐Anaconda方法）13：10
3-2Eclipse搭建pythonh境05：23
3-3动手完成简单神经网络（代码）31：51
3-4感受神经网络的强大11：30
3.5神经网络案例．cifar分类任务16：01
3-6神经网络案例．分模块结构神经网络13：33
3-7神经网络案例．训练神经网络完成分类任务
总结：
全套教程是用python作为开发的，学习的朋友要有一定的python基础。
