人工智能的理解
人工智能的起源：人工智能在五六十年代时正式提出，1950年，一位名叫马文·明斯基(后被人称为“人工智能之父”)的大四学生与他的同学邓恩·埃德蒙一起，建造了世界上第一台神经网络计算机。这也被看做是人工智能的一个起点。巧合的是，同样是在1950年，被称为“计算机之父”的阿兰·图灵提出了一个举世瞩目的想法——图灵测试。
更详细的历史参考链接：https://www.jianshu.com/p/501e840619e1
人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
——维基百科
总结人工智能的理解：
人工智能（AI）实现过程中，有感知层处理、认知层处理，最后到现实中应用即称应用层。
感知层
感知层包含语音识别与合成和计算机视觉。
语音识别与合成包含：语音识别、信号处理、模式识别、信息处理等。
计算机视觉包含：人脸识别、图像识别、机器识别、视频识别、体感识别等。
认知层
认知层包含自然语言处理、知识图谱、规划与决策等。
自然语言处理包含：文档分析、词法分析、平滑技术、数据稀疏等。
知识图谱包含：可视化、知识工程等。
规划与决策包含：自动规划、推理机制、专家系统等。
应用层
实际应用方面包含机器人、无人驾驶、推荐系统、计算广告、搜索引擎等。
机器人应用包含：聊天机器人、服务机器人、工业机器人等。
无人驾驶应用包含：智能模拟、自动工程等。
推荐系统应用包含：个性推荐、协同过滤等。
计算广告应用包含：广告竞价、数据挖掘、广告交易平台等。
搜索引擎应用包含：智能搜索、统计学法等。
弱人工智能
弱人工智能是指能擅长于单个方面的人工智能，规则是封闭的。AlphaGo的判断可以用于围棋，达到很高的水平，它要下象棋也能达到很高的水平，但是就要从头再搞一套象棋的软硬件，它在围棋的深度学习无法通用于其他领域。
强人工智能
强人工智能是指在各方面都能和人类比肩的人工智能，人类能做的脑力活动它都能做。它没有既定规则和领域，是开放式的。
人工智能+机器学习+深度学习的包含关系
1、机器学习只是人工智能的一种非常有效的实现方法，但人工智能不只是机器学习；
2、深度学习只是实现机器学习的一种非常有效的技术，但机器学习不只是深度学习；
3、深度学习只是目前最热的一种技术，但不意味着人工智能的终点。未来：小数据大任务，大数据小任务。
机器学习分类
根据训练的模型不同，一般有如下的几种机器学习方法：
- 监督学习
- 无监督学习
- 半监督学习
- 强化学习
强化学习（Reinforcement Learning，简称RL）是机器学习的一个重要分支。在强化学习中，包含两种基本的元素：状态与动作，在某个状态下执行某种动作，这便是一种策略，学习器要做的就是通过不断地探索学习，从而获得一个好的策略。例如：在围棋中，一种落棋的局面就是一种状态，若能知道每种局面下的最优落子动作，那就攻无不克/百战不殆了~
若将状态看作为属性，动作看作为标记，易知：监督学习和强化学习都是在试图寻找一个映射，从已知属性/状态推断出标记/动作，这样强化学习中的策略相当于监督学习中的分类/回归器。但在实际问题中，强化学习并没有监督学习那样的标记信息，通常都是在尝试动作后才能获得结果，因此强化学习是通过反馈的结果信息不断调整之前的策略，从而算法能够学习到：在什么样的状态下选择什么样的动作可以获得最好的结果。
强化学习任务通常使用马尔可夫决策过程（Markov Decision Process，简称MDP）来描述，具体而言：机器处在一个环境中，每个状态为机器对当前环境的感知；机器只能通过动作来影响环境，当机器执行一个动作后，会使得环境按某种概率转移到另一个状态；同时，环境会根据潜在的奖赏函数反馈给机器一个奖赏。综合而言，强化学习主要包含四个要素：状态、动作、转移概率以及奖赏函数。
- 状态（X）：机器对环境的感知，所有可能的状态称为状态空间；
- 动作（A）：机器所采取的动作，所有能采取的动作构成动作空间；
- 转移概率（P）：当执行某个动作后，当前状态会以某种概率转移到另一个状态；
- 奖赏函数（R）：在状态转移的同时，环境给反馈给机器一个奖赏。
因此，强化学习的主要任务就是通过在环境中不断地尝试，根据尝试获得的反馈信息调整策略，最终生成一个较好的策略π，机器根据这个策略便能知道在什么状态下应该执行什么动作。
来自：https://www.cnblogs.com/CJT-blog/p/10281396.html
_______ _________________________
参考:
http://www.360doc.com/content/19/1006/20/410279_865196339.shtml
https://cloud.tencent.com/developer/news/15608
https://www.jianshu.com/p/2fc2afc2bc85