PyTorch物体检测（一）

本篇为概述部分
机器学习是人工智能（Artificial Intelligence）发展较为快速的一支。

机器学习的思想是让机器自动的从大量的数据中学习出规律，并利用该规律对未知的数据做出预测。在机器学习算法中，深度学习是特指利用深度神经网络的结构完成训练和预测的算法。

根据人工智能实现的水平，可以进一步分为三种人工智能：
弱人工智能（Artificial Narrow Intelligence,ANI):擅长某个特定任务的智能。当前的人工智能大多是弱人工智能；
强人工智能：在人工智能概念诞生之初，人们期望能够通过打造复杂的计算机，实现与人一样的复杂智能，这被称做强人工智能，也可以称之为通用人工智能（Artificial General Intelligence,AGI）;
超人工智能（Artificial Super Intelligence,ASI):在强人工智能之上，是超人工智能，其定义是在几乎所有领域都比人类大脑聪明的智能，包括创新、社交、思维等。

机器学习算法中最重要的就是数据，根据使用的数据形式，可以分为三大类：监督学习（Supervised Learning)、无监督学习（Unsupervised Learning）与强化学习（Reinforcement Learning）。

监督学习：通常包括训练与预测阶段。在训练时利用带有人工标注标签的数据对模型进行训练，在预测时则根据训练好的模型对输入进行预测。监督学习是相对成熟的机器学习算法。监督学习通常分为分类与回归两个问题，常见算法有决策树（Decision Tree,DT）、支持向量机（Support Vector Machine，SVM）和神经网络等。
无监督学习：输入的数据没有标签信息，也就无法对模型进行明确的惩罚。无监督学习常见的思路是采用某种形式的回报来激励模型做出一定的决策，常见的算法有K-Means聚类与主成分分析（Principal Component Analysis，PCA）。
强化学习：让模型在一定的环境中学习，每次行动会有对应的奖励，目标是使奖励最大化，被认为是走向通用人工智能的学习方法。常见的强化学习有基于价值、策略与模型3种方法。