1958年，计算科学家Rosenblatt提出了由两层神经元组成的神经网络。他给它起了一个名字--“感知器”（Perceptron），感知器是当时首个可以学习的人工神经网络。Rosenblatt现场演示了其学习识别简单图像的过程，在当时的社会引起了轰动。
　　人们认为已经发现了智能的奥秘，许多学者和科研机构纷纷投入到神经网络的研究中。美国军方大力资助了神经网络的研究，并认为神经网络比“原子弹工程”更重要。这段时间直到1969年才结束，这个时期可以看作神经网络的第一次高潮。
　　时至今日，大数据技术已进入人们地生活，作为一项发展前景广阔地技术，其实还有很多作用有待挖掘，比如为人们地生活带来方便，为企业带来更多利益等。在大数据的时代背景下，数据的处理与分析就成了一个被提上日程的问题，而大数据与人工智能的紧密相关性决定了数据的发展模式必定是大数据+人工智能的模式。因为人工智能算法的训练与调优离不开大量数据员，就需要使用大数据分析技术来对数据源做出归类与过滤，以提供优质的数据。人工智能的出现于发展具有重大的意义。
　　生物神经网络主要是指人脑的神经网络，它是人工神經网络的技术原型。人脑是人类思维的物质基础，思维的功能定位在大脑皮层，后者含有大约1011个神经元，每个神经元又通过神经突触与大约103个其它神经元相连，形成一个高度复杂高度灵活的动态网络。作为一门学科，生物神经网络主要研究人脑神经网络的结构、功能及其工作机制，意在探索人脑思维和智能活动的规律。
　　人工神经网络是生物神经网络在某种简化意义下的技术复现，作为一门学科，它的主要任务是根据生物神经网络的原理和实际应用的需要建造实用的人工神经网络模型，设计相应的学习算法，模拟人脑的某种智能活动，然后在技术上实现出来用以解决实际问题。因此，生物神经网络主要研究智能的机理;人工神经网络主要研究智能机理的实现，两者相辅相成。
　　多少年以来，人们从医学、生物学、生理学、哲学、信息学、计算机科学、认知学、组织协同学等各个角度企图认识并解答上述问题。在寻找上述问题答案的研究过程中，逐渐形成了一个新兴的多学科交叉技术领域，称之为“神经网络”。神经网络的研究涉及众多学科领域，这些领域互相结合、相互渗透并相互推动。不同领域的科学家又从各自学科的兴趣与特色出发，提出不同的问题，从不同的角度进行研究
　　当人类首次发明计算机时，就已经开始思考如何让计算机变得智能。如今，人工智能（artificial intelligence）已经成为一个非常火热的领域，并且具有众多活跃的研究课题以及惠及生活方方面面的实际应用。这个领域目前正在以几何倍的速度增长着，并且未来也将持续健康发展。人们希望可以借助人工智能自动地处理一些主观的，非规范性的事物，如识别图像等。
　　在人工智能发展初期，计算机很容易处理一些人类很难甚至是无法解决的问题，这些问题可以用一种形式化的数学规律来描述。人工智能真正面临的任务是那些很难用形式化符号描述的任务，当然对于人类来说很容易执行。举个例子，人们能够轻松识别对方说的话，也能够轻易识别图像中的物体。对于这类问题，计算机却无法给出自己的判断。
　　计算机很擅长助理抽象和形式化的任务，但是人类却觉得这是很困难的脑力劳动。早在上个世纪，计算机就在国际象棋方面战胜了人类选手。但一直到最近几年，计算机才在语音和图像识别任务中达到人类一般水平。通常一个人的思维发育需要海量有关外界的知识。相当一部分领域的知识是主观的，并且很难用形式化的结构表示清楚。同人类一样，计算机也要获得同样数量级的知识才能表现得智能化。因此，对于研究人工智能领域的学者来说，关键的挑战就是如何将这些主观的、非形式化的知识教会计算机来学习。
　　早期的研究项目有一些基于知识库方法，这种方法用近似于穷举的方式将知识用结构化的符号进行存储，然后设计相应的逻辑规则让计算机来理解这些符号的声明。可想而知，这样的工程耗时又费力，失败也是意料之中的。究其原因，这些结构化符号和声明是由人类主观选取的，人类尚无法构造出可以精确地描述世界的算法规则。
　　人工神经网络为人工智能的研究带来了前所未有的期望。人工神经网络并不是近代的产物，上世纪50年代就验证了其可行性，为什么直到最近几年才被普遍接受？这也是研究深度网络算法的意义之所在。首先日俱增的数据量得以存储，出现了很多专门用于研究神经网络的数据集，这些数据集越来越大并且质量都很高，如图1-1所示。人们迫切希望有一种算法能从海量数据中发现事物的本质。其次是大规模的模型已经出现，经过近几十年的发展，模型中神经元的连接数已经达到了数十亿级，逐渐接近人类大脑的连接数。科学家预计这种增长势头将稳定持续到未来若干年。最后人工神经网络模型做决策的能力一直在提高，各大数据集上的准确率不断被刷新。深度学习发展迅速，但仍然很年轻，还有很多未知领域的研究和实际应用等着人类去发掘。