概 述
一、 基本概念
1、什麼是人工智慧
人工智慧的概念：機器模擬人的意識和思維
重要人物：艾倫·麥席森·圖靈（alan mathison turing）
人物簡介：1912 年 6 月 23 日－1954 年 6 月 7 日，英國數學家、邏輯學家，被稱為電腦科學之父，人工智慧之父。
相關事件：（1）1950 年在**《機器能思考嗎？》中提出了圖靈測試，一種用於判定機器是否具有智慧型的試驗方法：提問者和回答者隔開，提問者通過一些裝置（如鍵盤）向機器隨意提問。多次測試，如果有超過 30%的提問者認為回答問題的是人而不是機器，那麼這台機器就通過測試，具有了人工智慧。也就是工智慧型的概念：「用機器模擬人的意識和思維」。
（2）圖靈在**中**：在 2000 年，會出現通過圖靈測試具備人工智慧的機器。然而直到 2014 年 6 月，英國雷丁大學的聊天程式才成功冒充了 13 歲男孩，通過了圖靈測試。這一事件比圖靈的**晚了 14 年。
（3）在 2015 年 11 月 science 雜誌封面新聞報道，機械人已經可以依據從未見過的文字中的乙個字元，寫出同樣風格的字元，說明機器已經具備了迅速學習陌生文字的創造能力。
消費級人工智慧產品：
國外（1）谷歌 assistant
（2）微軟 cortana
（3）蘋果 siri
（4）亞馬遜 alexa
國內（1）阿里的天貓精靈
（2）小公尺的小愛同學
人工智慧先鋒：（1）geoffrey hinton：多倫多大學的教授，谷歌大腦多倫多分布負責人，是人工智慧領域的鼻祖，他發表了許多讓神經網路得以應用的**，啟用了整個人工智慧領域。他還培養了許多人工智慧的大家。比如 lecun 就是他的博士後。
（2）yann lecun：紐約大學的教授，facebook 人工智慧研究室負責人，他改進了卷積神經網路演算法，使卷積神經網路具有了工程應用價值，現在卷積神經網路依舊是計算機視覺領域最有效的模型之一。
（3）yoshua bengio：蒙特婁大學的教授，現任微軟公司戰略顧問，他推動了迴圈神經網路演算法的發展，使迴圈神經網路得到工程應用，用迴圈神經網路解決了自然語言處理中的問題。
2、什麼是機器學習
機器學習的概念：機器學習是一種統計學方法，計算機利用已有資料得出某種模型，再利用此模型**結果。
特點：隨經驗的增加，效果會變好。
簡單模型舉例：決策樹模型
**班車到達時間問題描述： 每天早上七點半，班車從 a 地發往 b 地，到達 b地的時間如何準確**？
如果你第一次乘坐班車，你的**通常不太準。一周之後，你大概能**出班車8:00 左右到達 b 地；乙個月之後，隨著經驗的增加，你還會知道，周一常堵車，會晚 10 分鐘，下雨常堵車，會晚 20 分鐘。於是你畫出了如下的一張樹狀圖，如果是周一，還下了雨，班車會 8:30 到達；如果不是周一，也沒有下雨，班車會8:00 到達。
機器學習和傳統計算機運算的區別：傳統計算機是基於馮諾依曼結構，指令預先儲存。執行時，cpu 從儲存器裡逐行讀取指令，按部就班逐行執行預先安排好的指令。其特點是，輸出結果確定，因為先幹什麼，後幹什麼都已經提前寫在指令裡了。
機器學習三要素：資料、演算法、算力
3、什麼是深度學習
深度學習的概念：深層次神經網路，源於對生物腦神經元結構的研究。
人腦神經網路：隨著人的成長，腦神經網路是在漸漸變粗變壯。
生物學中的神經元：下圖左側有許多支流彙總在一起，生物學中稱這些支流叫做樹突。樹突具有接受刺激並將衝動傳入細胞體的功能，是神經元的輸入。這些樹突彙總於細胞核又沿著一條軸突輸出。軸突的主要功能是將神經衝動由胞體傳至其他神經元，是神經元的輸出。人腦便是由 860 億個這樣的神經元組成，所有的思維意識，都以它為基本單元，連線成網路實現的。
計算機中的神經元模型：1943 年，心理學家 mcculloch 和數學家 pitts 參考了生物神經元的結構，發表了抽象的神經元模型 mp。神經元模型是乙個包含輸入，輸出與計算功能的模型。輸入可以模擬為神經元的樹突，輸出可以模擬為神經元的軸突，計算可以模擬為細胞核。
4、人工智慧 vs 機器學習 vs 深度學習
人工智慧，就是用機器模擬人的意識和思維。
機器學習，則是實現人工智慧的一種方法，是人工智慧的子集。
深度學習，就是深層次神經網路，是機器學習的一種實現方法，是機器學習的子集。
二、 神經網路的發展歷史（三起兩落）
第一次興起：1958 年，人們把兩層神經元首尾相接，組成單層神經網路，稱做感知機。感知機成了首個可以學習的人工神經網路。引發了神經網路研究的 第一次興起。
第一次寒冬：1969 年，這個領域的權威學者 minsky 用數學公式證明了只有單層神經網路的感知機無法對異或邏輯進行分類，minsky 還指出要想解決異或可分問題，需要把單層神經網路擴充套件到兩層或者以上。然而在那個年代計算機的運算能力，是無法支撐這種運算量的。只有一層計算單元的感知機，暴露出他的天然缺陷，使得神經網路研究進入了第乙個寒冬。
第二次興起：1986 年，hinton 等人提出了反向傳播方法，有效解決了兩層神經網路的算力問題。引發了神經網路研究的第二次興起。
第二次寒冬：1995 年，支援向量機誕生。支援向量機可以免去神經網路需要調節引數的不足，還避免了神經網路中區域性最優的問題。一舉擊敗神經網路，成為當時人工智慧領域的主流演算法，使得神經網路進入了他的第二個冬季。
第三次興起：2006 年，深層次神經網路出現，2012 年，卷積神經網路在影象識別領域中的驚人表現，又引發了神經網路研究的再一次興起。
三、 機器學習的典型應用
1、應用領域
計算機視覺、語音識別、自然語言處理
2、主流應用：
（1） **（對連續資料進行**）
如，**某小區 100 平公尺的房價賣多少錢。
根據以往資料（紅色●），擬合出一條線，讓它「穿過」所有的點，並且與各個點的距離盡可能的小。我們可以把以前的資料，輸入神經網路，讓他訓練出乙個模型，比如這張圖中紅色點表示了以往的資料，虛線表示了**出的模型 y = ax + b ，大量歷史資料也就是面積 x 和房價 y 作為輸入，訓練出了模型的引數 a = 3.5, b = 150，則你家 100 平公尺的房價應該是 3.5 * 100 + 150 = 500 萬。我們發現，模型不一定全是直線，也可以是曲線；我們還發現，隨著資料的增多，模型一般會更準確。
（2） 分類（對離散資料進行分類）
如，根據腫瘤患者的年齡和腫瘤大小判斷良性、惡性。
紅色樣本為惡性，藍色樣本為良性，綠色分為哪類？
假如讓計算機判斷腫瘤是良性還是惡性，先要把歷史資料輸入到神經網路進行建模，調節模型的引數，得到一條線把良性腫瘤和惡性腫瘤分開。比如輸入患者的年齡、腫瘤的大小 還有對應的良性腫瘤還是惡性腫瘤，使用神經網路訓練模型調整引數，再輸入新的患者年齡和腫瘤大小時，計算機會直接告訴你腫瘤是良性還是惡性。比如上圖的綠色三角就屬於良性腫瘤。
四、課程小結
1、機器學習，就是在任務 t 上，隨經驗 e 的增加，效果 p 隨之增加。
2、機器學習的過程是通過大量資料的輸入，生成乙個模型，再利用這個生成的模型，實現對結果的**。
3、龐大的神經網路是基於神經元結構的，是輸入乘以權重，再求和，再過非線性函式的過程。
Tensorflow 筆記 第一講
一 基本概念 1 什麼是人工智慧 人工智慧的概念 機器模擬人的意識和思維 重要人物 艾倫 麥席森 圖靈 alan mathison turing 人物簡介 1912 年 6 月 23 日 1954 年 6 月 7 日，英國數學家 邏輯學家，被稱 為電腦科學之父，人工智慧之父。判定機器是否具有智慧型的...
C 筆記 第一講
c 學習筆記 第一講之所以稱之為 c 第乙個 為一些功能函式 結構的加強 第二個加就是 增加了物件導向的功能。例如 定義變數c 可以用時，在迴圈體裡定義，在定義 c語言不可以 一般都是全域性變數在開頭定義。register變數的區別 在c語言中不可以取位址 否則有警告錯誤，在c 可以取位址，會強制把...
C 課堂筆記（第一講）
1 c 的應用領域 意義 就業方向等等 2 面向結構 過程 程式設計 c vs 物件導向程式設計 c 面向過程，是把問題分成n個過程，然後按一定順序執行 物件導向，是把這個過程看作是物件之間的相互作用關係 物件導向的三大特點 封裝 提高 的維護性 繼承 提高 的復用性 多型 提高 的擴充套件性 維護...