人工智能及机器学习的基本概念

机器学习是实现人工智能的一种方式，而深度学习是机器学习的一个分支。人工智能的根本在于智能，而机器学习则是部署支持人工智能的计算方法。简单的将，人工智能是科学，机器学习是让机器变得更加智能的算法，机器学习在某种程度上成就了人工智能。

人工智能三种类型

■弱人工智能 Weak AI：机器通过机器学习之类的技术从大量数据中学到一些规律。比如说AlphaGo虽然看上去比人类还要厉害，但依然只是弱人工智能，因为你让它干其他活就不会了，而且也没有情绪。

■强人工智能 Strong AI：机器具有意识，能够完全像人一样思考和具有感情。而且人类能干的脑力活它都能干，Linda Gottfredson教授把智能定义为“一种宽泛的心理能力，能够进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作”。到目前为止应该还没有出现强人工智能。

■超级智能 Support-Intelligence：机器具有比人类更强大的智慧。因为这类人工智能存在，很多人类就开始各种担忧。其实不管是目前人工智能到达哪个阶段，但总的来说人工智能出现的初衷不是为了巅峰人类，而是为了满足人类的需求。

机器学习领域

人们希望能够借助机器的力量来自动完成一些任务，从而将人类从烦琐的事项中解放出来，比如自动监测违规车辆，自动人脸识别等；总的来说过程涉及两个要点：认知这个世界，获取信息及根据信息进行判断和决策。

机器学习包括选择数据、模型数据、验证模型、测试模型、使用模型、调优模型这些工作流程，应用到的领域非常广泛。

■视觉相关：物体识别、图像分割、图像索引、人脸识别、场景识别、场景匹配等；

■听觉相关：语音识别、乐曲片段匹配、自动作曲等；

■认知相关：自然语言处理、专家系统等；

■对人群偏好的推测：网页推荐、广告推荐、购物产品推荐、电影推荐等；

机器学习方法分类

■监督学习 SupervisedLearning：通过对标注的训练数据进行学习，得到一个从输入特征到标签的映射模型，在利用这个模型对未知标签的新数据进行预测。

■无监督学习 Unsupervised Learning：不需要对训练数据进行标注，直接对数据进行建模。

■半监督学习 Semi-SupervisedLearning：介于监督学习和无监督学习之间的方法。

■增强学习 ReinforcementLearning：一种交互式的学习方法，模型根据环境给予的奖励或惩罚不断调整自己的策略，尽量获得最大的长远收益。

业界得到较多应用的主要是监督学习，监督学习需要训练数据，其本身由模型、策略和算法三要素组成。机器学习常用的模型很多，比如线性模型、逻辑回归、SoftMax、神经网络/深度学习、SVM、决策树、随机森林、GBDT、与矩阵分解相关的系列模型等。

神经网络Neural Network是从人类脑神经元的研究中获得灵感，模拟其神经元的功能和网络结构，来完成认知任务的一类机器学习算法。而深度学习Deep Learning则是指多层神经网络，即隐层大于一层的神经网络。

神经网络主要思想是模拟人类大脑的行为来处理数据。就像大脑中真实神经元之间相互连接形成的网络一样，人工神经网络由多层组成。每层都是一系列神经元的集合，这些神经元负责检测不同的食物。一个神经网络能够连续地处理数据，这意味着只有第一层才与输入直接相连，随着模型层数的增加，模型将学到越来越复杂的数据结构。当层数大量地增加，模型通常就是一个所谓的深度学习模型。很难给一个深度网络确定一个特定的网络层数，10年前通常3层神经网络就可谓深，而如今通常需要20层。