关于脑的探寻：
简单分为下面三个层次：
-
computational level 计算层面的 ——>认知计算研究范畴
-
algorithmic/representation level 算法表示层面 ——>计算神经科学表示范畴
-
implementation/physical level 实现物理 ——>神经生物学研究范畴
1 人工智能 ：
类人思考系统+理性思考系统+类人行动系统+理性行动系统
下面是早年ai的一些算法：（1）暴力搜索，bf和df
(2)感知器（即一种用于单层神经网络的早期监督式算法）给定一个输入特征矢量，感知器算法将划分到特定的类别。通过使用训练集，可以更新线性分类的网络权值和阈值。我的理解是，根据输入的特征，进行线性回归，逻辑回归，然后梯度下降处理一下。
（3)集群算法：最简单的是一个k均值算法，他的大概思想，用一个随机的特征矢量初始化一个集群，然后将其他所有样本添加到集群，然后将其他所有样本添加到离他们最近的一个集群，他的质心会被重新计算。最后该算法会再次检查样本，确保他们存于最近的集群中， 并没有改变集群成员关系时停止运行。
（之前看过一个k-means算法，）
（4）决策树：即一种预测模型，可对某个结论的观察值进行预测。（树上的树叶代表结论，而节点是观察值分叉时所决在的决策点）决策树的学习算法根据属性值将数据集拆分成子集。
我的理解是：像树状图，一层一层往下，不断地判断，不断地确定分类数据。
（5）基于规则的系统：
基于规则的系统组成：规则集，知识库，推理引擎，用户界面；（可用于存储知识规则并使用一个推理系统得出结论）
<大家看到从感知器，集群算法，决策树什么的就开始和机器学习有交叉了>
2 机器学习：
提出目标：它的目标是让计算机能学习并构建模型，以便能够执行一些活动，比如特定领域中的预测。算是一个人工智能的子领域，算法目前是与认知计算有一些重合。
大体的过程：低层次感知 -> 预处理 -> 特征提取 -> 特征选择->推理预测识别
我的理解就是最重要的一步就是建立模型去处理特征，最基本的模型就是线性回归，逻辑回归等。大概有底下两个划分：
监督学习：监督学习即给出一组特征，也给出特征所对应的结果。以此来推测另外特征所对应的结果。（比如说给出某一地区房子的面积大小，卧室数量，以及它们所对应的价格。以此来预测给定面积大小，卧室数量的另外一些房子的价格。）向上面说的感知器就是这个思路，训练决策树也常常用到。
无监督学习:就是给出一些特征，但是不给出这些特征所对应的结果，以此判断这些特征的结构关系。向上面说的聚类算法就是这个思路。
强化学习（半监督式学习）：一边获得样例，一边学习，在获得样例后更新自己的模型。
监督学习和无监督学习的区别：
监督学习需要训练集和测试样本，在训练集中寻找规律，而对测试样本使用这种规律。非监督学习只有一组数据，在此数据集中寻找规律。（注意找规律也不一定要分类）
监督学习的训练集中已经给出了输出值，但是半监督学习的奖励惩罚是延后给出的。
下面介绍一下常见的机器学习算法：
反向传播算法:即训练多层神经网络的算法。（类似于前面的感知器，但是感知器是一个单层的神经网络，为了升级训练多层的神经网络，就有了反向传播算法）
进行过程：第一阶段（前馈）：通过一个神经网络将输入传播到最后一层。
第二阶段，算法计算一个错误，将次错误从最后一层反向传播到第一层。
训练期间，网络的中层自行地进行组织，以便将输入空间的各部分映射到输出空间，通过监督式学习，反向传播识别输入输出映射中的错误，相应地调整权值来更正此错误。
卷积神经网络(CNN):
进行过程：特征提取并分类 -> 将提取的特征注入卷积层—>通过池化保留最重要的信息->上面的步骤多次进行之后注入完全连通的多层感知器 -> 输出标识图像特征的结点 ->用户反向传播该训练该网络。
长短期记忆(LSTM)：构建递归神经网络，将反馈送到前几层或者他们层中的后续节点，该属性使这些网络可以处理时序数据。
我的理解：很像是反向传播算法的一种改进，让中层的神经网络有一些记忆功能。
3 深度学习：
其像一个方法，而不是一种算法，即采用无监督学习来实现深度网络的一系列算法。可以理解为采用方法去使用改进机器学习中提到的算法。
4 类脑计算/认知计算：
认知计算的目标：建立一种能够摆脱人类干预的并自行解决复杂问题的计算系统。
详细一点说，认知计算就是一种自我学习系统，可以像人类大脑那样通过数据挖掘、图像识别以及自然语言处理来进行学习。
认知计算建立在神经网络和深度学习之上，运用认知科学中的知识来构建能够模拟人类思维过程系统。目前为止，他并没有单组技术，他更多地依托现有的机器学习算法。
总结图（字丑不要喷）：
5 情感计算
其实这里涉及到的并不是让机器拥有人的情感，而是人类的情绪识别，比如NLP去分析文本所表达的情绪状态，还有通过生理指标，面部表情去识别人类的情绪。我的感觉是其实还是回归基本的分类，然后做出交互性更好的回馈。
所以，关于这个方面，它相当于是机器学习的一个研究方向，就好像NLP，计算机视觉这个样子。
为什么放到这里来说，就是想和认知计算做一个区分。
分享一个IBM出品的一个入门指南：https://www.ibm.com/developerworks/cn/cognitive/library/cc-beginner-guide-machine-learning-ai-cognitive/index.html（上面很多资料都来自这个）
上面的一些理解可能不一定正确，大家多多指正！
说说自己的想法，目前还是好好学习一下机器学习，可能未来往NLP,情感计算方向走一段吧，然后自己最终还是最喜欢认知计算。希望有大佬指点迷津，可以戳我私聊或者评论。
悄咪咪说一下自我感觉：研究人脑，很像抓住自己的头发把自己抬起来的感觉。大家加油。
顺便收集一下各方的机器学习的学习资料：
1 学习基础的，吴恩达，李宏毅的
（吴恩达老师讲的真的很清晰，我大一的时候看过都看得懂的那种类型，李宏毅是学长推荐的）
2 学习代码的：
最近看的是莫烦的pytorch
numpy我看的是阿里云大学的，只是了解了基础。