1. 核心结论

• 表示学习（Representation Learning）旨在自动发现数据的有效特征表示
• 好的表示能显著提升下游任务的性能
• 从手工特征工程到自动表示学习是 AI 的重要进步

2. 基础概念

表示学习：自动从原始数据中学习有用的特征表示 分布式表示：用连续向量表示离散对象，如词向量 自监督学习：从无标签数据中学习表示的范式 对比学习：通过对比正负样本对来学习表示的方法

3. 实战场景

• 自然语言处理中的词向量训练
• 计算机视觉中的特征提取
• 多模态表示对齐

4. 关联笔记

• 向量与Embedding
• 深度学习基础
• Transformer原理