版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/u010819416/article/details/89786003
9.1 重点内容回顾
9.1.1 人工智能的各种方法
9.1.2 深度学习在机器学习领域中的特殊之处
9.1.3 如何看待深度学习
9.1.4 关键的推动技术
9.1.5 机器学习的通用工作流程
9.1.6 关键网络架构
三种网络架构：密集连接网络、卷积网络和循环网络。
9.1.7 可能性空间
9.2 深度学习的局限性
任何需要推理（编程或科学方法的应用）、长期规划和算法（排序算法）数据处理的东西，无论投入多少数据，深度学习模型都无法实现。
9.2.1 将机器学习模型拟人化的风险
神经网络不能够理解它们所执行的任务。
9.2.2 局部泛化和极端泛化
9.2.3 小结
深度学习唯一的真正成功之处就是：给定大量的人工标注数据，它能够使用连续的几何变换将空间x映射到空间y。
9.3 深度学习的未来
9.4 了解一个快速发展领域的最新进展
9.4.1 使用Kaggle练习解决现实世界的问题
9.4.2 在arXiv阅读最新进展
9.4.3 探索Keras生态系统
9.5 结束语
继续学习、继续提问、继续研究、永不止步