1.1.4 深度学习网络
特征方程很难的理解，暂时需要搁置，不能死脑筋
1.1.5 结构化输出
其实讲的是如何对于监督学习的输出内容，也是举得示例，
1.1 的总结
更多的是示例性的内容整理，让读者有一个基本的概念在里面，能够对于后续的内容有一些基本的了解与预期。监督学习方面
1.2 无监督学习
不是输入到输出的映射，而是描述或理解数据的结构
无监督学习，也是本书的重点内容，后续可能都是讲解如何进行无监督的学习。
1.2.1 生成式模型
看这个标题，就跟现在的GPT很像了。
能够合成极为逼真的不同实例。对于文本和图像，现在的模型能力非常牛逼了。但是要注意，模型只是了解语言的统计特性，并不理解其真正含义。
1.2.2 潜变量
没太理解，大概的含义是：计算机可以表示的图的内容极多，比现实世界中的数据多无数倍，因为计算机本质上是每个像素的表示（或者是随机的字母），但是实际上我们看到的图，只是这些随机数的其中的一部分。
但是不能理解的是潜变量到底是个啥
1.2.3 结合监督学习与无监督学习
还是结合了1.2.2 里面的潜变量，很像是输出具有某种风格的图片、某种风格的诗词，这种稍微变化的内容。
1.2.4 强化学习
引入了代理的概念。目标是让代理学会选择能够平均获得高奖励的行动。给代理一个行动的奖励，每一次的选择都可能意味着未来的奖励，这样强化模型的策略选择。
其实跟训练动物活动一样，就是不停地给他激励
今日总结：
第一章，全部是介绍性的内容，很快速的过了一遍，就是对于深度学习的能力与边界进行的系统性介绍，比如监督学习和无监督学习，强化学习与深度学习的关系，如何进行绑定等等内容，更多的是举出示例，让读者有个清晰的了解。