机器学习是人工智能的一个分支，其发展有着清晰的脉络，从以“推理”为重点，到以“知识”为重点，再到以“学习”为重点。机器学习在近 30 多年已发展为多领域科际集成，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。
在机器学习的发展历程中，CNN（卷积神经网络）的结构基于两类细胞的级联模型，在计算上更有效、快速，已用于自然语言处理和图像识别等领域，并击败大多数其他算法。随着对大脑工作机制认知的增加，神经网络的算法和模型不断进步。
Deep Learning 是一个革命性领域，但需要数据支持。李飞飞创建的 ImageNet 是重要数据集之一，自 2009 年创建以来，为 Machine Learning 算法的发展发挥了重要作用。仅七年时间，ImageNet 让获胜算法对图像中物体分类的准确率从 72%提高到 98%，超过人类平均能力，并引领了 DL 革命，为其他数据集开创了先例，此后有更多新的数据集被引入。
机器学习是人工智能的一个分支。人工智能的研究历史有着一条从以“推理”为重点，到以“知识”为重点，再到以“学习”为重点的自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径之一，即以机器学习为手段，解决人工智能中的部分问题。机器学习在近30多年已发展为一门多领域科际集成，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。
CNN的结构是基于这两类细胞的级联模型，主要用于模式识别任务。它在计算上比大多数其他架构更有效、更快速，在许多应用中，包括自然语言处理和图像识别，已经被用来击败大多数其他算法。我们每次对大脑的工作机制的认知多一点，神经网络的算法和模型也会前进一步！
Deep Learning是一个革命性的领域，但为了让它按预期工作，需要数据。而最重要的数据集之一，就是由李飞飞创建的ImageNet。曾任斯坦福大学人工智能实验室主任，同时也是谷歌云AI/ML首席科学家的李飞飞，早在2009年就看出数据对Machine Learning算法的发展至关重要，同年在计算机视觉和模式识别（CVPR）上发表了相关论文。配图04：FeiFei Li & ImageNet该数据集对研究人员非常有用，正因为如此，它变得越来越有名，为最重要的年度DL竞赛提供了基准。仅仅七年时间，ImageNet让获胜算法对图像中的物体进行分类的准确率从72%提高到了98%，超过了人类的平均能力。ImageNet成为DL革命的首选数据集，更确切地说，是由Hinton领导的AlexNet卷积神经网络（CNN - Convolution Neural Networks）的数据集。ImageNet不仅引领了DL的革命，也为其他数据集开创了先例。自其创建以来，数十种新的数据集被引入，数据更丰富，分类更精确。神经网络大爆发