最近幾年人工智慧這個詞總是時不時地出現在我們視野裡，確切來說它也並不是什麼新詞兒，它在2023年代就被提出來了。它代表著我們人類的乙個長期目標，那便是希望機器可以和人一樣聰明。
可是人們卻不太清楚如何做這件事，不太清楚如何讓機器擁有智慧型，變得和人一樣聰明。直到2023年代，有了機器學習。顧名思義，機器學習就是讓機器擁有學習的能力。那麼，它和人工智慧有什麼關係呢？人工智慧是我們想要達成的目標，而機器學習是為了達成目標使用的手段。深度學習是機器學習中的一種方法。
那麼在有機器學習，深度學習之前，我們是如何做人工智慧呢？
生物學的知識告訴我們，生物的行為取決於先天的本能或後天學習的結果。
舉例來說，河狸築壩的能力是天生的。
它的築壩行為是這樣的：
我們之前做人工智慧就是這樣的，設定好機器的先天本能，通常是一些由人類確定的規則。
看起來也不錯，似乎也能完成不少任務。但也存在很大的問題，我們很難考慮到所有的規則。對於上述的聊天機械人，我們不太可能想到所有的響應規則。這就導致了機器永遠無法超過它的創造者。它的所有行為都在我們定義的規則之下，也就是說它沒有freestyle。
我們的目的是研究真正的機器學習。那麼，什麼是真正的機器學習呢？
簡單來說就是寫程式讓機器有學習的能力。接下來，我們就給它提供資料以供其學習。比如在語音識別中，
告訴機器這段語音是「hi」。
這段語音是「how are you」。
我們可以機器提供大量的語音資料，並告訴它每段語音的內容。通過不斷地學習，它逐漸若有所得。於是，當我們給它一段語音（之前可能從來沒有聽過），它會告訴我們內容是什麼。
過程如下所示：
影象識別也是類似的過程：
機器學習可以看成是從資料中找到乙個函式。
舉個例子，我們要進行影象識別，通過給機器的資料，機器學習演算法可以得到乙個函式。當將影象輸入給該函式時，它能輸出該影象對應的類別。
那麼如何得到這個函式呢？我們有很多可以選擇的模型，比如神經網路，svm，決策樹等等。每個模型內都包含了很多函式（模型可能有很多引數，引數是可以變化的）。
這麼多函式選擇哪乙個呢？所以我們還得有乙個評價指標，當把資料丟給模型後能夠衡量函式的好壞。知道了函式的好壞之後，自然要選擇最好的函式。
如上圖所示，函式f1自然好於f2。同時也可以看到，這些資料有個特點，就是每個資料都給出了函式的輸入和函式期望得到的值。
在這種情景下的機器學習叫做監督學習。找到了最好的函式之後，我們就可以用它來測試，看它是否有舉一反三的能力。整個流程如下：
所以總結一下，機器學習大致可以分為三步：
李巨集毅機器學習 Introduction
人工智慧是我們想要達到的目標，即讓機器和人一樣智慧型。而機器學習是方法，讓機器從資料中學習，從而得到智慧型的方法。智慧型是什麼呢？對於人類智慧型而言，根據霍華德 加德納的多元智慧型理論，人類的智慧型分為以下七種智慧型 這不僅涵蓋了現在人工智慧的研究領域，計算機視覺 語音識別 自然語言處理等。而且也指...
李巨集毅機器學習課程筆記 5 1深度學習之引言
目錄和機器學習一樣 確定模型 model 函式集 function set 在深度學習中就是定義乙個神經網路。不同的連線會構成多樣的網路結構。確定如何評價函式的好壞 如果是多分類，那和classification一章中一樣，計算每個樣本 結果與ground truth的交叉熵，然後求和，即為loss...
李巨集毅機器學習attack model 學習筆記
loss函式及限制條件 無目標攻擊 l 負的 y 與y true 交叉熵 輸入的x 使y 與y true越遠越好 有目標攻擊 輸入的x 使y 與y true越遠越好且y 與y false越近越好 限制條件 x與x0距離需要小於乙個值，不被發現，否則攻擊就無意義 攻擊的目標是x在乙個小的變化內使模型失...