1.4 起源 done

chapter_introduction/index.md

@@ -566,7 +566,7 @@ agent的动作会影响后续的观察，而奖励只与所选的动作相对应
 为解决各式机器学习问题，深度学习提供了强大的工具。
 虽然许多深度学习方法都是最近的才有重大突破，但使用数据和神经网络编程的核心思想已经研究了几个世纪。
 事实上，人类长期以来就有分析数据和预测未来结果的愿望，而自然科学的大部分都植根于此。
-例如，伯努利分布是以[雅各布•贝努利（1655--1705）](https://en.wikipedia.org/wiki/Jacob\u Bernoulli)命名的。
+例如，伯努利分布是以[雅各布•贝努利（1655--1705）](https://en.wikipedia.org/wiki/Jacob\uBernoulli)命名的。
 而高斯分布是由[卡尔•弗里德里希•高斯（1777—1855）](https://en.wikipedia.org/wiki/Carl_Friedrich_Gauss)发现的，
 他发明了最小均方算法，至今仍用于解决从保险计算到医疗诊断的许多问题。
 这些工具算法在自然科学中产生了一种实验方法——例如，电阻中电流和电压的欧姆定律可以用线性模型完美地描述。
@@ -590,7 +590,7 @@ agent的动作会影响后续的观察，而奖励只与所选的动作相对应
 甚至，费舍尔在1936年发布的虹膜数据集，有时仍然被用来解读机器学习算法。
 他也是优生学的倡导者，这提醒我们：使用数据科学虽然在道德上存在疑问，但是与数据科学在工业和自然科学中的生产性使用一样，有着悠久的历史。
 
-机器学习的第二个影响来自[克劳德·香农(1916--2001)](https://en.wikipedia.org/wiki/Claude\u Shannon)的信息论和[艾伦·图灵（1912-1954）](https://en.wikipedia.org/wiki/Alan_Turing)的计算理论。
+机器学习的第二个影响来自[克劳德·香农(1916--2001)](https://en.wikipedia.org/wiki/Claude_Shannon)的信息论和[艾伦·图灵（1912-1954）](https://en.wikipedia.org/wiki/Alan_Turing)的计算理论。
 图灵在他著名的论文《计算机器与智能》 :cite:`Turing.1950` 中提出了“机器能思考吗？”的问题。
 在他所描述的图灵测试中，如果人类评估者很难根据文本互动区分机器和人类的回答，那么机器就可以被认为是“智能的”。
 
@@ -604,8 +604,8 @@ agent的动作会影响后续的观察，而奖励只与所选的动作相对应
 随着时间的推移，对生物学的解释变得不再肤浅，但这个名字仍然存在。
 其核心是当今大多数网络中都可以找到的几个关键原则：
 
-* 线性和非线性处理单元的交替，通常称为*层*。
-* 使用链式规则(也称为*反向传播*)一次性调整网络中的全部参数。
+* 线性和非线性处理单元的交替，通常称为*层*(layers)。
+* 使用链式规则(也称为*反向传播*(backpropagation))一次性调整网络中的全部参数。
 
 在最初的快速发展之后，神经网络的研究从1995年左右一直开始停滞不前，直到到2005年才稍有起色。
 这主要是因为两个原因。