摘要-机器学习算法依赖于数据表示，尽管特定的领域知识可以被帮助用来学习知识表示，先验知识也是可以用来学习的，并且应用先验知识设计更有效的知识表示学习算法正是AI的需求。这篇文章回顾了非监督特征学习和深度学习相关领域的最新的工作，包括概率模型的进展，自动编码机、主流学习和深度网络。这激发我们思考一些问题，比如如何学习好的表示，如何计算表示，表示学习、密度评估和主流学习之间的几何关系。
关键字-深度学习，表示学习，特征学习，非监督学习，玻尔兹曼机，自动编码机，神经网络
1、引言
早期的学习算法不能提取和组织数据中的判别信息，特征工程师利用人类的智慧和先验知识来弥补这一缺点的办法，为了扩展机器学习的适用范围，降低学习算法对特征工程的依赖程度。
这篇文章主要内容是表示学习，数据的表示学习有助于构建分类器和进行数据的其他预测。这篇文章聚焦于表示学习的深度学习方法，表示学习的深度学习方法由多个非线性变换组成，可以产生更加抽象和有用的数据表示。我们思考一些基本的问题，什么使得一种表示优于另一种？我们如何计算表示，即如何进行特征提取？表示学习的目标函数是什么样的。
2、为什么我们要关注表示学习