近年来，在各个领域，深度学习已经成为最主流的机器学习工具。其最大的成功之一就是计算机视觉，其中计算机对对象的捕捉和动作识别方面的表现得到了显着提升，从一些基本的手势识别，到一些体感游戏。 在本课程中，我们将一起探讨各种计算机视觉相关的问题，这些问题将涉及到不同神经架构的最先进技术以及关于计算机可视化最前沿研究方向的探索。说白啦就是让机器人拥有自己的眼睛，信息输入端不在单独基于编程这种方式啦~

机器学习是一组强大的技术，允许计算机从数据中自主学习，而不是通过传统手动编程的方式来实现更强大的功能。 神经网络是一类最初受大脑启发的机器学习算法，但最近在实际应用中取得了很多成功。 它们是Google和Facebook等公司生产系统的核心，用于人脸识别，语音到文本和语言理解。

机器学习能让机器从数据和经验中学习和成长。在过去的二十年中，机器学习技术在人工智能领域和技术行业中变得越来越重要。 本课程对一些最常用的机器学习算法进行了广泛的介绍。而且这些原理及算法将作为更高级课程的基础，例如CSC412 / 2506（概率学习和推理）和CSC421 / 2516（神经网络和深度学习）。

课程的前半部分侧重于监督学习，然后后半段侧重于无监督学习。

这里展开一下监督学习和无监督学习的概念。监督学习的原理就是你在给计算机的这个算法中是有一个期望的，叫做Labels（标签）。比如email设置什么样的邮件算垃圾邮件，你已经归类（Classification）给了计算机，这样计算机今后就能自我判断哪些属于垃圾邮件，应为这些垃圾邮件都有一样的属性和特征，是被mark了的。也就是给计算机小朋友布置了指定的作业，必须按照学习规则来完成，最后递交给我我想要的作业，答案是确定的。

无监督机器学习用的 Training data（训练数据） 没有标签。系统会试着自学。

通俗一点讲就是给计算机小朋友布置了一个课题，告诉他可以在哪找到相关的学习资料，然后让他自己去学习~最后完成的作业不限于一种答案，可以有一定的自由发挥的空间，答案具有一定的不确定性。比如你和Siri聊天，同样的问题你过一段时间问它，它可能会给你不同的回答，不是因为这些回答已经事先编程好了，而是siri在网络上不断的在学习和积累，对于同样的关键词识别它可能过一段时间就会有不一样的认识及回答了~ 

任何智能系统的核心都是人机互动或反复试验学习。强化学习（Reinforcement Learning）是一种模式也是一种算法，强化学习允许智能代理通过与其所在环境交互来达到学习进化的目的。 在本课程中，我们将介绍马尔可夫决策过程（MDP）的基本表述，格式化MDP的学习算法。 本课程将主要关注深度神经网络的各种近似函数算法。学习的案例将包括游戏设计原理及机器人运动控制等实际应用。

拿Boston Dynamics公司旗下Atlas robot举例，它在过障碍物的时候会存储运动路径相关的所以参数，如果这次失败了则会自动调整运动路径，怎样翻越障碍物，要不要跳，多大力度的跳，跳的时候怎样保持平衡~通过不断的练习，最终成功翻越障碍！所谓熟能生巧~

想必大家看过阿汤哥的《明日边缘》这部科幻电影，Atlas就像电影里的阿汤哥，不断的重复着同样的关卡，通过打怪练级，不断积累经验最终通关，想想是不是很有意思呢？