《人工智能实践：Tensorflow笔记》听课笔记1_1.1概述

上学的时候天天熬夜。放假了闲鱼的一匹，之前立的flag也要赶紧达成了，否则开学无颜见师长了。导师给我推荐的中国大学MOOC的《人工智能实践：Tensorflow笔记》，北京大学，软件与微电子学院的曹健老师主讲。近期我会尽快完成此课的学习，并将听课笔记发到此处以监督自身。顺序也基本按照课程中的顺序。知识也基本都是通用的，应该没有涉及侵权问题，在此感谢这门优秀的课程，给我们更多的机会提升自我，希望我真的能学有所成、造福社会，也希望我的笔记哪怕能帮助到一个人也好。如有错误敬请指正。

附：课程链接
第一讲，人工智能概述
1.1概述

人工智能：机器模拟人的意识和思维。

举例：
CNN（Convolutional Neural Networks）-卷积神经网络，计算机视觉领域最有效的模型之一。

RNN（Recurrent Neural Networks）-循环神经网络，能够解决自然语言处理中的问题。

机器学习：①一种统计学方法，计算机利用已有数据，得出某种模型，再利用此模型预测结果。②经验越多，预测结果越好。③机器学习先用以往数据训练模型，再用模型预测新数据的结果。④数据、算法、算力是机器学习的三要素。⑤主流应用：对连续数据预测、对离散数据分类⑥多领域渗透：计算机视觉、语音识别、自然语言处理

深度学习：①深层次神经网络，源于生物学脑神经结构的研究。②（神经网络发展简单总结，三起两落）神经元模型→单层神经网络（感知机，首个可以学习的人工神经网络。兴起）→只有单层神经网络的感知机无法对异或逻辑进行分类，若想解决该问题需将单词神经网络扩展至两次或以上（计算机难以支撑运算量。低谷）→反向传播算法（解决了两层神经网络的算力问题。兴起）→支持向量机SVM（可免去神经网络需调节参数的不足，还避免了神经网络中局部最优问题。故击败神经网络成为人工智能主流算法。低谷）→深层神经网络→卷积神经网络（在图像识别领域表现优异。兴起）

三者关系：深度学习（包含于￠）机器学习（包含于￠）人工智能

小结：①机器学习定义：如果一个程序可在任务T上，随经验E的增加，效果P随之增加，则这个程序可以从经验中学习。②机器学习过程：通过大量历史数据的输入训练成一个模型，再利用这个生成的模型实现对输入的新数据的预测，得到一个结果③神经网络是基于神经元组成的。单个神经元是∑（输入*权重）经过非线性函数得到输出的过程。