前言
近几年人工智能非常火，不管什么领域都想跟它沾沾边。但人工智能却很高冷，让我们这些凡夫俗子很难靠近。光看着它的知识线路图就想放弃。
于是，我在想，是否我可以写一个系列，让大家能花最少的时间了解到人工智能最精华的内容呢。
目前的安排是先从机器学习系列开始，讲解主要的算法及它的思想，之后可能会涉及到自然语言处理系列（先剧透一下）
不要觉得难，不要害怕发际线作对，跟我一起学，保证你夏天头顶不冷，冬天头顶不热
(´▽｀)
本系列的特点
1、内容以思想为主
思想不仅限于技术领域，也能解决其他领域的问题
2、尽量不涉及数学公式
保证零基础能听懂，收获满满滴
3、提供实现代码
你若想深入研究，我也会在每篇文章末尾提供参考资料和可实现的代码（代码一般是使用python写的）
4、一起进步
有什么问题和改进的意见，可以给我留言，看到绝对会回复的。
好了，我们开始吧！
人工智能，有多智能
人工智能这个词可以拆成：人工和智能两个词。人工，就是非天然所造，即：人造的。
那么人工智能其实就是人造的一个东西。
那智能呢？
以人的标准来看，一个人智不智能就是看这个人聪不聪明。
智能的评价标准就是：人造的这个东西有多聪明。
而一个聪明人一般给人的印象就是：学习能力强、记性好、什么事都做得好等等。人工智能也不外乎。
目前有两种人工智能研究路线：
我们都知道人工智能可以通过数据挖掘等手段最终解决很多问题，这种人工智能叫“弱人工智能”，
而像《西部世界》那种拥有意识的智能叫“强人工智能”，
弱人工智能的应用比较普遍，但强人工智能目前还难以实现。
(╯﹏╰）
人工智能与机器学习的关系
机器解决新问题的方法有两种，一个是启发法问题求解，另一个就是机器学习。
（本系列主要简介机器学习，启发法问题求解待后续更）
两者关系即：机器学习是人工智能实现的方法之一，人工智能是机器学习的目标。
什么是机器学习
机器学习是定义在学习基础之上的，由于目前学习尚无统一定义，因而机器学习也不能给出一个严格的定义。
不过，我们可以从直观上来理解它。
机器学习可以理解成让机器来模拟人类的学习功能。
从解决问题的层面来看（即：实现弱人工智能），机器学习的目的就是通过学习来解决复杂问题。
机器学习的发展过程
我们程序员们做事最喜欢讲目的，对不对？
所以，我绝不讲无意义的内容。
讲发展过程的目的是为了将思想串起来，让你知道前因后果，同时也能便于算法的理解。
其实，机器学习的发展还挺坎坷的，有几次差点断气。
先忘掉所有已知机器学习的知识，你想一下，如果你来实现机器学习，你会怎么做？
既然机器学习是模拟人类学习，而人类学习和行动是通过神经元触发实现的。
即：你在开车拐弯的时候，如何让你的手脚能同步而实现拐弯这个动作呢，首先是你的眼睛看到了弯道，然后眼睛将接收到的信号传入到大脑，然后大脑的神经元触发到周围的神经元（神经元与神经元之间有连接，具体内容会在神经网络中讲解），最后将信号转送到你的手，你的手接收到信号后便实现了转动方向盘的动作。
1、神经元模拟研究（20世纪40年代到60年代）
知道这过程后，我们就可以通过模拟人类神经元的形式来实现学习机制了。
但很遗憾，这种理论在解决复杂智能系统时都失败了（单层感知器无法解决非线形可分问题）。之后，机器学习的研究便进入了低谷期。
2、符号概念获取（20世纪60年代到70年代）
这种方式没成功，可以换种思维模式。像我们程序员，最容易想到的就是 if-else 了吧。如果已知知识，那么我们便可以通过已知知识来学习了。例如：辨别好工作的方法，if(工资高 and 不加班) then 好工作。这种思考过程称为：概念学习过程，我们只要分析一些概念的正例和反例，便能作出决策。
这类算法例如：决策树、产生式规则或语义网络等。
但这些算法只能学习单一的概念，仍然无法解决复杂问题。人工智能在此期间仍处于低迷状态。
3、知识强化学习（20世纪70年代到80年代）
单一概念不行，自然想到从单个概念扩展到了多个概念。
人们也就想到这种办法，将多个概念形成了知识库，从而实现知识的强化学习。特别是专家系统的出现（将领域专家大量的经验知识存储在知识库，然后模拟领域专家做决策），极大刺激了机器学习的发展，这一时期成了机器学习复兴时期。
但在此期间，机器学习仍只能解决一些领域简单问题，而像我们看到的 AlphaGo 这类智能，通过以上机器学习还无法办到。直到之前一直低迷的神经网络的复苏及深度学习的出现。
4、连接学习与深度学习（20世纪80年代到21世纪）
在最开始讲过了模拟人类神经元失败了，主要是因为单层感知器只能解决线性可分问题，无法解决线性不可分问题。
什么是线性可分呢？
即：一条直线能完成数据的分类
什么是线性不可分呢？
即：无法简单用一条直线来完成分类
而人工神经网络可以解决线性不可分问题。
（1）人工神经网络的浅层模型
BP神经网络可以解决线性不可分问题，BP神经网络图：
输入层：接收数据
隐藏层：做一些变换（隐藏层越多，就越复杂）
输出层：将变换后的数据输出
例如分类问题：我们输入一堆数据后，通过隐藏层对数据处理，最后输出层输出分类结果。（就是这么简单）
但仍存在问题：我们可以从图中看出，BP神经网络是全连接的（不同层的节点间全连接），随着隐藏层的不断增加，连接也不断增加，计算量随之增大。
面对复杂问题，可能需要多个隐藏层才能解决，而过多的隐藏层会引起计算耗时太长，因此BP神经网络仍无法解决复杂问题。
（2）深层神经网络模型
一听这名字就很高大上，其实思想并不难。
BP神经网络的缺点：
1、隐藏层增加会大幅度的增加计算量
2、隐藏层太多会产生严重的传播误差（即：隐藏层会对数据进行处理，而处理过程会产生误差，随着层级增多，误差可能会越大，最后影响输出结果）
这时，深层神经网络模型闪亮登场（此时需要掌声）：
深度卷积神经网是一个狠角色，它可以解决BP神经网络的两大缺点。
深度卷积神经网由多个卷积层和池化层组成。卷积层做特征提取（例如：人像识别中，对人的五官特征进行提取），池化层用于降低计算量。这样完美解决了BP神经网络的两大缺点。像我们经常见到的，人脸识别、AlphaGo都是使用了该模型。
尽管深度神经网络可以处理很多复杂问题，如：人脸识别、智能诊断等。但它仍存在问题，主要问题在于深度神经网络基于“黑箱模式”，即：我们知道输入与输出结果，但对输出结果是如何产生的，深度神经网络提供不了。那么问题就来了，例如我们做智能诊断时，机器虽然给出了诊断结果，但医生无法知道它是怎么得出这个结果的，那么就很难评估它的可靠性了。
机器学习与我何干
枯燥的发展史终于讲完了，能看到这里的你，一定是真爱了（爱了，爱了）
学海无涯，此生有涯。知识肯定是学不完的，那为什么还要学习？
爱一个人不需要理由，但学习肯定需要理由的。
我的修为不高，我认为学习首要目的应该是解决问题吧。而面对复杂问题，思想很重要。
1、多个思考角度
不管你是否从事什么工作，你都可以学习机器学习的思想，了解机器如何解决问题之后，也可以为解决现实问题多个思考角度吧。
2、解决生活问题
我会提供案例代码，你可以通过学习，自己写代码来解决生活问题。
想到算法，我就头大，我想你也有点吧。所以，之后对于算法，我尽量简单化，多讲思想，与现实生活相紧扣。
总结
1、弱人工智能与强人工智能
弱人工智能就是我们常见到的，用机器学习实现的人工智能。强人工智能是像人一样拥有意识的智能。
2、关于机器学习
机器学习是人工智能的实现方式之一。机器学习是基于统计学，对数据进行挖掘，模拟人类作出决策，实现弱人工智能。
3、机器学习发展过程
（1）机器学习首先是模拟人类学习（神经元模拟），但无法解决非线性可分问题（现实中多为非线性可分问题）。
（2）后来进行单一概念学习（即：if-else模式），只能针对已知知识，无法解决复杂问题。
（3）将单一概念学习扩展到多概念学习（如：专家系统）
（4）浅层神经网络到深度神经网络（即：BP神经网络到卷积神经网络）
（5）深度神经网络模型虽然能解决很多问题，但由于它基于“黑箱模式”，从而限制了它的发展。
我：天呐，终于写完了，我都快奔溃了。
你：天呐，终于看完了，真的要吐了。
预告
到目前为止，我们还只了解到了机器学习的概念以及算法的皮毛。接下来我将讲解机器学习算法具体思想及代码实现，尽请期待～
写在最后
如果喜欢的话，可以加我的公众号“樱桃小卷子”，是我（卷子）和我朋友（樱桃）两只程序媛经营的。
最后谢谢你，居然看完了，感动ing。