Chapter One人工智能 机器学习与深度学习简介
1.1人工智能 :弱人工智能 和 强人工智能
机器学习
使用算法 通过大量数据进行训练后产生模型 通过使用这个模型达到预测效果
是人工智能的分支 监督学习 无监督学习 增强学习
深度学习
模仿人类神经网络的工作方式
是机器学习的分支 多层感知器 深度神经网络 递归神经网络
近年人工智能发展加速的原因
1大数据分布式存储与计算
2GPU TPU 并行计算
CPU含有数颗核心 为吮血处理进行优化
GPU可以有高达数千个小型而且高效的核心 可以发挥并行计算的强大功能
深度学习以大量矩阵运算模拟神经元的工作方式 矩阵运算的特性是 单一运算都很简单 但是需要大量运算特别适合采用 并行计算 GPU通过大量核心进行并行计算
1.2机器学习介绍
由features和label组成
features：数据的特征 如温度风向 风速 季节 气压
label：预测的目标 如天气（下雨，晴天，有雾等） 或者气温的具体数值
两个阶段：训练 预测
训练：训练数据通过特征提取 得到 features 和label 放进算法中训练后得到 预测用的模型
预测：新数据 ->特征提取得到features 放进模型 得到预测结果
1.3机器学习分类
有监督学习
二元分类：预测结果为是和否 如今天下雨 今天不下雨 图片是猫 图片不是猫
多元分类：判断是多个类别中的哪一类 如 判断今天天气是哪种天气 图片是哪种动物
回归分析：预测数值是多少 如预测今天温度是多少 预测房屋的价格是多少
无监督学习
对于无监督的学习 从现有数据我们不知道要预测的答案，所以没有label（预测目标）
例如cluster集群算法将数据分成几个差异性最大的群组 而群组内的则相似程度最高
增强式学习
增强式学习的原理：借助定义动作 状态 奖励的方式 不断训练机器循序渐进 学会执行某项任务的算法
例如 训练机器玩超级玛丽电子游戏动作 ：左/右/跳 状态：当前游戏的界面奖励：得分/受伤
借助不断地训练学会玩游戏
常见的算法有Q-learning 。TD（Temporal Difference）。Sarsa 。
1.4深度学习简介
由一个输入层
隐藏层（可以有非常多层 所有被称为深度学习）
和一个输出层组成
深度学习的应用很广泛 可以将深度学习技术应用在有监督学习 无监督学习 和增强式学习等领域