初识人工智能，机器学习，深度学习的关系（概念）

        人工智能（AI:Artificial Intelligence）的概念最早于20世纪50年代的达特茅斯会议上由约翰·麦卡锡提出，其愿景为实现机器可以拥有类似人类的智能，可以像人类一样独立思考，做出决策，甚至拥有情感。目前人工智能分为三个阶段，弱人工智能（Narrow AI），强人工智能(General AI)，超人工智能(Super AI) ,图片引自知乎King James

人工智能有多个分支，如下图

如图所示，机器学习（Machine Learning）仅为其中一个分支，是一种实现人工智能的技术，

        1952年一位IBM的工程师Arthur Samuel研发了一个西洋跳棋程序，然后一些知名的棋手都输给了这个程序，有点像上个世纪50年代的阿法狗。同样是1956年达特沃斯会议，这位工程师受邀，在会议上介绍自己的研究，第一次提出了“Machine Learning”这个词汇, Arthur Samuel也因为被称为“机器学习之父”，他将“Machine Learning”定义为“不需要确定性编程就可以赋予机器某项技能的研究领域“，让机器像人一样学习起来。简单来说，机器学习就是利用大量的历史数据做训练，从中学到规律，并将这个规律应用到未来

例如：我们从小就在学校中通过做大量的练习题来提高自己的做题能力，通过大量的练习题的训练，从中总结个中经验，学习方法，这里的经验和学习方法其实就是一种模型，好学生的模型比较好，在运用到今后的习题中时，能有较高的正确率

学术界定义：
 

在实际应用中，其实算法都是现成的，已经总结好的，经过证明的，要解决的并不是算法问题，而是然后利用已有的算法更好的解决实际问题，就好像物理中有牛顿定律一样，不仅要知道，还得会根据实际情况去运用 ，在工业界实际应用的时候，你还得做特征工程，做训练和评估等等。最后才能产生一个效果不错的模型

总结：机器学习就是一门研究如何让计算机从历史数据中更好的学习，产生更优秀的模型来提升系统某项性能的学科 

机器学习实现过程：

 预处理+特征提取+特征选择统称为特征表达，特征表达对模型能否正确产出有着决定性的作用

那么机器学习的相关算法/模型有哪些？

1.线性回归。

2.逻辑回归。

3.决策树。

4.支持向量机。

5.贝叶斯模型。

6.正则化模型。

7.模型集成（ensemble）。

8.神经网络。

这些预测模型中的每一个都基于特定的算法结构，参数都是可调的。训练预测模型涉及以下步骤：

1. 选择一个模型结构（例如逻辑回归，随机森林等）。

2. 用训练数据（输入和输出）输入模型。

3. 学习算法将输出最优模型（即具有使训练错误最小化的特定参数的模型）。

机器学习的主要障碍是特征工程这个步骤，这需要领域专家在进入训练过程之前就要找到非常重要的特征。特征工程步骤是要靠手动完成的，而且需要大量领域专业知识，因此它成为当今大多数机器学习任务的主要瓶颈。而深度学习（Deep Learning）借鉴了人脑的神经网络结构，告别了人工提取特征的方法

人工智能，机器学习，深度学习的关系如上图，人工智能是一种愿景，机器学习是实现这个愿景的一种方法，而深度学习则是机器学习的一种技术，在图像识别、语义理解和语音识别等领域具有优秀的效果 

人的视觉系统的信息处理是分级的。从低级的V1区提取边缘特征，再到V2区的形状或者目标的部分等，再到更高层，整个目标、目标的行为等。也就是说高层的特征是低层特征的组合，从低层到高层的特征表示越来越抽象，越来越能表现语义或者意图。而抽象层面越高，存在的可能猜测就越少，就越利于分类。例如，单词集合和句子的对应是多对一的，句子和语义的对应又是多对一的，语义和意图的对应还是多对一的，这是个层级体系。神经网络就是模仿了人类大脑结构的一种算法，而深度神经网络则是神经网络的一种改良，与传统的神经网络相比拥有跟多的层级

                                                                        传统的神经网络 

                                                                        深度神经网络