第四章：深度学习革命一、革命序幕2012年AlexNet在ImageNet大赛夺冠，错误率大幅降低，标志深度学习时代开启。二、核心原理神经网络：受生物神经元启发的数学模型。反向传播：解决多层网络训练难题，实现复杂非线性拟合。卷积神经网络：利用图像空间结构，逐层提取特征，视觉识别超越人类。三、三大支柱大数据、强算力（GPU）、新算法共同支撑深度学习爆发。四、影响与局限广泛应用于视觉、语言等领域，但面

第四章：深度学习革命一、革命序幕2012年AlexNet在ImageNet大赛夺冠，错误率大幅降低，标志深度学习时代开启。二、核心原理神经网络：受生物神经元启发的数学模型。反向传播：解决多层网络训练难题，实现复杂非线性拟合。卷积神经网络：利用图像空间结构，逐层提取特征，视觉识别超越人类。三、三大支柱大数据、强算力（GPU）、新算法共同支撑深度学习爆发。四、影响与局限广泛应用于视觉、语言等领域，但面

1980年代末，为突破人工智能寒冬，机器学习应运而生。其核心是让机器从数据中自动发现规律，而非依赖人工规则。课程介绍了三大范式：利用有标签数据的监督学习、挖掘数据结构的无监督学习，以及基于试错机制的强化学习。常见算法包括线性回归、决策树、SVM等。特征工程作为关键环节，决定了模型性能上限。相比符号主义，机器学习更灵活，但仍依赖人工特征设计，这为深度学习的兴起埋下伏笔。

摘要：1956年达特茅斯会议标志着人工智能作为独立学科的诞生，会上首次提出"人工智能"概念。文章回顾了AI发展历程，从图灵测试的哲学思考，到符号主义时代的规则系统，再到遭遇两次AI寒冬。核心内容包括：图灵测试定义智能标准，符号主义通过逻辑规则模拟智能，专家系统等早期成就及其局限性。文章揭示了AI发展初期的理想与现实的差距，为理解现代AI技术奠定了基础。（149字）