1、人工智慧：是指讓機器獲得像人類一樣的智慧型機制的技術。
2、解決抽像的概念無法用具體的**實現，比如人類對的識別，對語言的理解過程，無法通過既定規則模擬。為了解決這類問題，一門通過讓機器自動從資料中學習規則的研究學科誕生了，稱為機器學習。
3、機器學習：通過讓機器自動從資料中學習規則。
4、神經網路：在機器學習中，有一門通過神經網路來學習複雜、抽象邏輯的方向，稱為神經網路。
5、深度學習：深層神經網路的新名字。
神經網路和深度學習的區別：
一般來講，神經網路和深度學習的本質區別並不大，深度學習特指基於深層神經網路實現的模型和演算法。
1、有監督學習：樣本x和樣本y，從x—>y的對映，計算**值和真實y之間的誤差優化網路引數，使得下一次**更加精準。包括線性回歸、邏輯回歸、支援向量機、隨機森林等。
2、無監督學習：只有樣本x資料集，演算法需要自己發現資料模態。其中一種演算法，x—>x，自監督學習。常見的無監督學習演算法有自編碼器，生成對抗網路等。
3、強化學習：增強學習，與環境進行互動來學習解決問題。常見的強化學習演算法有dqn、ppo等。
1、將利用深層神經網路實現的演算法或模型稱為深度學習。
2、比較深度學習演算法與其他演算法。基於規則的系統一般會編寫顯示的規則邏輯，這些邏輯一般是針對特定任務設計的，並不適合其他業務。深度學習演算法會認為設計具有一定通用性的特徵檢測方法。這些特徵能夠適合某一類的任務，具有一定的通用性。
3、淺層的神經網路的特徵提取能力較為有限，深層的神經網路擅長提取深層，抽象的高層特徵。
1、最早的神經元數學模型，稱為mp神經元模型。
2、mp神經元模型並沒有學習能力，只能完成固有邏輯的判定。
3、第乙個自動學習權重的神經元模型，稱為感知機。
4、輸出值和真實值之間的誤差用於調整神經元的權重引數（w1、w2、w3…）。
5、感知機等線性模型的主要缺陷：無法處理簡單的異或xor等線性不可分問題。
6、反向傳播演算法（bp演算法），依舊是現代深度學習的核心理論基礎。
7、相繼提出卷積神經網路，迴圈神經網路，反向傳播演算法等演算法模型。
8、bp演算法（backpropagation）應用在多層感知機。
9、應用最為廣泛的迴圈神經網路變種之一lstm提出。
10、雙向迴圈神經網路提出。
11、支援向量機（svm）為代表的傳統機器學習演算法興起。支援向量機擁有嚴格的理論基礎，需要的樣本數量較少，同時擁有良好的泛化能力。相比較，神經網路理論基礎欠缺，可解釋性差，很難訓練深層網路，效能也一般。
rnn迴圈神經網路。
1、deep learning（深層神經網路——深度學習）
2、線性整流單元（recyified linear unit ，relu）啟用函式
3、無監督學習和強化學習領域，生成對抗網路，通過對抗訓練的方式學習樣本中的真實分布，從而生成逼近度較高的。應用深度神經網路到強化學習領域，提出了dqn演算法。
1、隨著神經網路的興起，尤其是深度學習，網路層數較深，模型的引數兩成百上千萬個，為了防止過擬合，需要的資料集的規模通常也是巨大的。
2、深度學習對資料集需求較高，收集資料，尤其是收集帶標籤的資料，代價昂貴。
3、資料集的形成通常需要手動收集、爬取原始資料，並清洗掉無效樣本，再通過人類智慧型去標註資料樣本，因此不可避免地引入主觀偏差和隨機誤差。
1、傳統的機器學習演算法並不像神經網路這樣對資料量和計算能力有嚴苛的要求，通常在cpu上序列訓練即可得到滿意結果。但是深度學習非常依賴並行加速計算裝置。
2、目前的大部分神經網路均使用nvidia gpu和google tpu或其他神經網路並行加速晶元訓練模型引數。
3、目前普通消費者能夠使用的深度學習加速硬體裝置主要來自nvidia的gpu顯示卡。
1、早期的感知機模型和多層神經網路層數只有1層或者2-4層，網路引數也在數萬左右。隨著深度學習的興起和計算能力的提公升，alexnet（8層），vgg16（16層），googlenet（22層），resnet（50層），densenet121（121層），輸入的大小也逐漸增大。這些使得網路的總參數量可達到千萬級別。
1、設計一種像人腦一樣可以自動學習、自我調整的通用智慧型機制。
1、機器翻譯
2、聊天機械人
1、虛擬遊戲
2、機械人
3、自動駕駛
深度學習的核心是演算法的設計思想，深度學習框架只是我們實現演算法的工具。
1、加速計算：
神經網路本質是由大量的矩陣相乘，矩陣相加等基本數**算構成，tensorflow的重要功能就是利用gpu方便實現平行計算加速功能。
2、自動梯度：
在使用tensorflow構建前向計算過程的時候，除了能夠獲得數值結果，tensorflow還會自動構建計算圖，通過它提供的自動求導的功能，可以不需要手動推導，即可計算出輸出對網路的偏導數。
3、常用神經網路介面
tensorflow除了提供底層的矩陣相乘，相加等運算函式，還內建了常用網路運算函式，常用網路層，網路訓練，網路儲存與載入，網路部署等一系列深度學習系統的便捷功能。
Tensorflow學習筆記（一） 人工智慧概述
二 神經網路的發展歷史 三起兩落 三 機器學習的典型應用 四 總結 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...
1 人工智慧（AI）概述
學習筆記。楊正洪 郭良越 劉瑋.人工智慧與大資料技術導論 清華大學出版社.kindle版本.人工智慧是一門利用計算機模擬人類智慧型行為科學的統稱，它涵蓋了訓練計算機使其能夠完成自主學習 判斷 決策等人類行為的範疇。ai是人工智慧的英文artificialintelligence的首字母的組合，它是當...
2023年人工智慧創意「AI鑫投」
隨著社會的發展,更多的人已經離不開手機這一款工具,手機的程式設計客棧功能也是各行各業一種賺錢的工具,例如 買衣服,等等.這也成為了生活中不可或缺的一部分。近日就有cctv財經報道,有一家公司研發了一款app,稱作為投資者的春天 ai鑫投app 且成功擠入 2019 年人工智慧十大科技創新獎 並列包括...