AI基础概念学习

1.人工智能(AI)：智能程序的科学（指展现出看似具有智能的行为的硬件或者软件）

2.机器学习：通过经验来改善预测的质量（机器学习算法是通过训练来学习的）

3.机器学习算法（有效的学习算法举例）：

随机森林：可创建众多决策树来优化预测

叶贝斯网络：可利用概率法来分析变量和变量之间的关系

支持向量机：提供分类的实例给它，它就能创建模型，然后分配新的输入给其中一个类别

深度学习

4.深度学习：卸载特征定义的麻烦

深度学习避免了程序员必须承担特征定义（定义特征来对数据进行分析）或者优化（如何赋予数据权重以提供精确预测）的任务——这两件事情都由算法包办了。

5.深度学习如何做到卸载特征定义：

深度学习的突破时对大脑而不是世界建模。深度学习对大脑进行建模：我们的大脑学习做复杂的事情——包括理解原因和识别对象等，靠的不只是处理详尽的规则，还包括学习和反馈。在没有掌握详尽规则集的情况下，通过训练学习。

6.深度学习采用的方法：

把近似大脑神经元功能的，人工的，基于软件的计算机连接到一起，他们组成了一个”神经网络”。这个网络接收输入，分析它，对它做出判断，然后再接收自己判断是否正确的信息。如果输出错误，算法会对神经元之间的连接进行调整，而这将改变未来的预测。

7.深度学习的适用性：

深度学习并不是适合每一个问题。它通常需要用庞大数据集来进行训练。训练和运行神经网络还需要庞大的计算能力。它还有一个“可解释性”的问题——究竟神经网络是如何形成预测是很难知道的。

8.深度学习是如何工作的

深度学习牵涉到对人工的“神经网络”——一组相互接连的“神经元（基于软件的计算器）”的利用