说到人工智能，就不得不提机器学习、深度学习、自然语言处理等核心技术和实现原理。机器学习有各种算法需要学习，比如线性回归算法、逻辑回归算法、决策树贝叶斯算法、KMEANS聚类、DBSCAN聚类。深度学习又涉及最优化与反向传播、神经网络、卷积神经网络、卷积参数、自然语言处理、网络模型等知识点。还有自然语言处理，也是人工智能工程师必须掌握的知识。
在深度学习中，我们称为的卷积运算实则没有卷积核变换为镜像的这一步操作，因为在权重学习的角度，变换是没有必要的。深度学习的卷积操作在数学上准确度来说称为互相关（cross-correlation）。
人工智能算法 卷2 受大自然启发的算法 AI算法入门教程，算法导论，实例讲解人工智能基础算法！丰富的示例代码和在线资源，提供在线实验环境，源代码下载，方便动手实践与拓展学习，全彩印刷。
辛顿是加拿大机器学习领域首席学者，也是加拿大高等研究院赞助的“神经计算和自适应感知”项目的领导者。辛顿最重要的贡献来自他 1986 年发明反向传播的论文“Learning Internal Representations by Error Propagation”，1983 年发明的玻尔兹曼机（Boltzmann Machines），以及 2012 年对卷积神经网络的改进。他在人工智能领域内发表了 200 多篇关于机器学习、记忆、感知和符号处理方法的论文，为神经网络的发展奠定了坚实的学术基础。Hinton 和他的学生 Alex Krizhevsky 以及 Ilya Sutskever 通过 Rectified Linear Neurons 和 Dropout Regularization 改进了卷积神经网络，并在著名的 ImageNet评测中取得了很好的成绩，在计算机视觉领域掀起一场革命。此外，辛顿还是反向传播算法和对比散度算法的发明人之一，被誉为“深度学习之父”。由于在深度学习领域的卓越贡献，他与约书亚·本希奥和杨立昆一同被授予了 2018 年的图灵奖。
任务137：使用卷积神经网络进行语义图像嵌入在目标检测, 自动驾驶, 图像超分辨率重构, 工业探伤等等领域的应用.mp4。
