一、什么叫人工智能、機器學(xué)習(xí)、深度學(xué)習(xí)

人工智能：

computational agents(機器） 可計算的機器 and act intelligently

AI are systems（系統(tǒng)） ，可以做以下的事情：

rationally 理性地

理性思考和做事情

像人類一樣思考和行動。

AI現(xiàn)在是處于初級發(fā)展的階段，

（狹義上的AI）限制AI-在某個領(lǐng)域下的某個方面的特定問題，

解決一類的問題，解決在一個垂直領(lǐng)域（縱向問題）

? 要認清技術(shù)的邊界以及定義好問題的范圍(scope)。

（廣義上的AI）通用AI-讓AI做任何事情

人就是一個很厲害的AI。

結(jié)論：限制AI是可以實現(xiàn)的，但是通用AI是需要很久很久才可以實現(xiàn)。

如何正確地實施一個AI項目使得減少失敗率？

參考文章：https://mp.weixin.qq.com/s/WOVVnZYTHCVAVHU6hNQcAQ

85%的AI項目以失敗告終,做好以下幾條避免失?。?/h4>

1.數(shù)據(jù)

2.好的問題

3.技術(shù)的邊界/上限

4.了解業(yè)務(wù)

5.迭代-更新-試錯

6.業(yè)務(wù)評估

AI VS BI 的區(qū)別：

AI（Artifical Intelligence）

BI(Business Intelligence)

BI是一種分析的工具，也就是通過一些方式把數(shù)據(jù)更直觀的展示給用戶，輔助人去決策。

另一方面，AI是通過數(shù)據(jù)幫助人做決策。

BI看作是輔助的決策的工具，AI則可以直接幫我們做決策。

二、機器學(xué)習(xí)

機器學(xué)習(xí)是解決人工智能問題的最核心的技術(shù)。

例如推薦系統(tǒng)、無人駕駛、人臉識別、競技分析等應(yīng)用都依賴于機器學(xué)習(xí)技術(shù)。

機器學(xué)習(xí)：

讓機器（計算機）具備學(xué)習(xí)的能力（在不需要編程的情況下），機器自主學(xué)習(xí)，而不是我們告訴機器的。

機器學(xué)習(xí)的核心是，從數(shù)據(jù)中自動學(xué)出規(guī)律，而不是一個人拍腦袋定出來的?？梢院唵蔚乩斫鉃?b>歸納總結(jié)。而且通過機器歸納出來的規(guī)律有可能很多是我們之前都沒有想到的。

例如：圖像識別

識別一個圖片里是否包含蘋果

有兩種方法：

1.人的經(jīng)驗去描述它是蘋果，符合我們的要求（顏色、形狀），如果編程實現(xiàn)，則需要去編這些屬性

2.我們給機器看一張圖片，機器通過觀察，自動從這些圖片（數(shù)據(jù)）里得出規(guī)律（規(guī)則），當(dāng)下次再給定一個新的圖片時，機器可以很快地直接判斷出來。（這就是機器學(xué)習(xí)）

機器學(xué)習(xí)的過程：

訓(xùn)練集（蘋果（標(biāo)簽）和香蕉的圖片） -》進入機器學(xué)習(xí)模型（把訓(xùn)練集放到機器學(xué)習(xí)模型中去學(xué)習(xí)，模型里可以學(xué)出訓(xùn)練集的事物的規(guī)律（特點）） —》識別新的圖片（測試集-? 讓模型去識別新的樣本（測試集） ）—》 給出結(jié)果（ 一般要得出識別的概率 -不同物體的識別概率（蘋果 0.9 香蕉 0.1） ）

三、深度學(xué)習(xí)

深度學(xué)習(xí)的概念：

深度學(xué)習(xí)是機器學(xué)習(xí)的分支，即機器學(xué)習(xí)包含深度學(xué)習(xí)。

深度學(xué)習(xí)是一種算法（啟發(fā)于人的大腦-人工神經(jīng)網(wǎng)絡(luò)（ANN））。

人的大腦的認知-設(shè)計出類似人的大腦的模型?

神經(jīng)科學(xué)的發(fā)展會推動深度學(xué)習(xí)的發(fā)展，這兩個領(lǐng)域是相輔相成的。

要想在深度學(xué)習(xí)有突破，必須理解人的大腦是怎么運作的-怎么識別的，怎么與外界打交道。

現(xiàn)在的所使用的深度學(xué)習(xí)模型與人的大腦的運行機理沒什么有大的關(guān)系的，全是靠想象做出的模型。

其實深度學(xué)習(xí)模型指的不是一個特定的模型，而是一個框架（既然是框架，那就有很多模型），或者可以認為一類的方法論。

“深”怎么理解？

深度可以理解成我們把很多簡單的模型疊加在了一起，這自然就能得到一個有深度的模型。舉個例子，比如我們把一個神經(jīng)網(wǎng)絡(luò)疊加成多層結(jié)構(gòu)的時候，得到的是深度神經(jīng)網(wǎng)絡(luò)； 當(dāng)我們把一個高斯混合模型疊加在一起的時候就得到了深度高斯混合模型； 當(dāng)我們把SVM疊加在一起的時候就得到了深度SVM模型。由此可見，這樣的一個框架可以應(yīng)用在很多不同種類的模型上。

為什么我們需要把一個模型疊加在一起弄成深度學(xué)習(xí)模型呢 ？

深度可以理解成我們把很多簡單的模型疊加在了一起，這自然就能得到一個有深度的模型。舉個例子，比如我們把一個神經(jīng)網(wǎng)絡(luò)疊加成多層結(jié)構(gòu)的時候，得到的是深度神經(jīng)網(wǎng)絡(luò)； 當(dāng)我們把一個高斯混合模型疊加在一起的時候就得到了深度高斯混合模型； 當(dāng)我們把SVM疊加在一起的時候就得到了深度SVM模型。由此可見，這樣的一個框架可以應(yīng)用在很多不同種類的模型上。

四、人工智能、機器學(xué)習(xí)、深度學(xué)習(xí)的關(guān)系