機器學習：一個老生常談的問題，在深度學習的出現下，機器學習開啓了一個新的時代，人工智能好像也離我們越來越近，大致梳理一下深度學習的內容，初學可以做知識網絡去學習，學會者可以用來查漏補缺。
深度學習是計算深度大於二的運算結構，計算深度在這裏可以理解爲 f（ax+b）其中f是一個非線性函數。
深度學習因爲分類要素不同可以分成不同的集合，從學習的內容上來分可以分爲：
貝葉斯網絡：例如各類分類網絡，softmax結構的網絡等
馬爾可夫網絡：用於學習分佈，例如GAN
按照學習的過程分爲:
前饋網絡：CNN，FN等
反饋網絡：RNN
類似的分類還有很多，不一一列舉
深度學習的算法：
常見主流算法：RBM，深度信念網絡（過時了，但是很出名），CNN，RNN（lstm），GAN等。
其他GRU之類的因爲新穎性和代表性不足不列出，如有其他遺漏歡迎補充。
主要方向：
現在基本啥都能和AI扯上關係，所以真要分清楚真的很難，大致列舉一些：
計算機視覺：目標檢測，ocr等
自然語言處理：情感分析，文本歸類等
語音識別
知識圖譜
深度強化學習：這其實是一個交叉學科，我還看過有人將強化學習直接放到深度學習中，我認爲這種方法有些欠妥。
研究方向：
優化算法效果，加快算法速度是老生常談的，除此之外還有：
元學習
零樣本學習
改進或者完全改掉BP網絡
甚至有文章闡明大算力的需求可能源於圖靈機本身的限制
有時間接着補充。