一、基本概念
1、什么是人工智能
人工智能的概念：机器模拟人类的意识和思维
重要人物：艾伦·马西森·图灵（Alan）
简介：1912年6月23日-1954年6月7日，英国数学家、逻辑学家，被称为
计算机科学之父，人工智能之父。
相关事件：（1）1950年，图灵测试在论文《机器能思考吗？通过一些设备随机提问
（如键盘）。 p>
它是人而不是机器，然后机器通过测试并具有人工智能。也就是人工智能的概念
：“用机器模拟人类的意识和思维”。
(2）图灵在论文中预测，2000年会有人工智能机器通过图灵测试。
然而，直到 2014 年 6 月，英国雷丁大学的一款聊天应用成功冒充一名 13 岁男孩，通过了图灵测试
。这一事件比图灵预测的晚了 14 年。
(3）在2015年11月的杂志封面新闻报道中，机器人已经能够根据文中从未见过的字符写出同风格的字符
，说明机器有快速学习的能力 奇怪
生词的创意。
2、什么是机器学习
机器学习的概念：机器学习是一种统计方法，计算机利用已有的数据得到一定的模型
，然后使用这个模型来预测结果。
特点：根据经验，随着增加效果会更好。
简单模型示例：决策树模型
机器学习与传统计算机运算的区别：传统计算机是基于冯诺依曼结构的，并且是预先指令的
存储。运行时，CPU从内存中逐行读取指令，逐行执行预先安排好的指令
。它的特点是输出结果是确定的，因为先做什么，之后做什么，都已经提前写在说明里了
.
机器学习的三要素：数据、算法、计算能力
3、什么是深度学习
深度学习的概念：深度神经网络，源于对生物大脑神经元结构的研究。
人脑神经网络：随着人的成长，大脑的神经网络逐渐变粗变强。
生物学中的神经元：下图左侧有很多支流，生物学中将这些支流称为
树突。树突具有接受刺激和向细胞体传递冲动的功能，是神经元的输入。这些树突
树突在细胞核中并沿轴突输出组装。轴突的主要功能是将细胞体的神经冲动传递给其他神经元，是神经元的输出。人脑由 860 亿个这样的神经元组成，而所有的
思维意识是通过将其连接成一个以它为基本单元的网络来实现的。
计算机中的神经元模型：1943 年，心理学家和数学家 Pitts 引用了生物神经元的结构
，发表了抽象神经元模型 MP。神经元模型是包含输入、输出和计算功能的模型。
输入可以类比为神经元的树突，输出可以类比为神经元的轴突，计算可以类比为细胞核。
4、人工智能 vs 机器学习 vs 深度学习
人工智能是使用机器来模拟人类的意识和思维。
机器学习是一种实现人工智能的方法，是人工智能的一个子集。
深度学习是一种深度神经网络，是机器学习的一种实现方式，是机器学习的一个子集。
二、神经网络发展史（三起两落）
第一次崛起：1958年，人们将两层神经元首尾相连，形成单层神经网络，称为传感器
机器。感知器成为第一个可以学习的人工神经网络。引发了神经网络研究的第一次兴起
.
第一个寒冬：1969年，该领域的权威学者用数学公式证明，只有单层神经网络的感知器不能对异或逻辑进行分类，并指出要解决异或可分问题，它有必要将单层神经网络扩展到两层或多层。但是，那个时代的计算机的计算能力无法支持这样的计算量。只有一层计算单元的感知器暴露了其天然缺陷，让神经网络研究进入了第一个寒冬。
二次崛起：1986年等人提出反向传播方法，有效解决了两层神经网络的计算能力问题
。引发了神经网络研究的二次崛起。
第二个冬天：1995年，支持向量机诞生。支持向量机可以避免需要调整神经网络参数的不足，也可以避免神经网络中局部优化的问题。一举击败神经网络，成为当时人工智能领域的主流算法，让神经网络进入了他的第二个冬天。
第三次崛起：2006年，深度神经网络的出现，2012年，卷积神经网络在图像识别领域的惊人表现
发起神经网络研究的复兴。
三、机器学习的典型应用
1、应用领域
计算机视觉、语音识别、自然语言处理
2、主流应用：
( 1）预测（对连续数据的预测）
( 2）分类（离散数据的分类）
四、课程总结
< @1、机器学习是指在任务T上，随着经验E的增加，效果P增加。
2、机器学习的过程就是生成一个模型，然后使用这个生成的
模型来预测结果。
3、庞大的神经网络是基于神经元结构，输入乘以权重。 ，然后求和，再经过非线性函数的过程。
暂无评论内容