1：概念

1.1人工智能

人工智能是问题域，属于计算机科学的一个分支，研究如何让计算机像人一样智能，扩展人的智能

语音识别，图形识别，下棋等都是人工智能。==问题域。



人工智能的起源-图灵测试

一个人在不接触对方的情况下，通过一种特殊的方式和对方进行一系列的问答．如果在相当长时间内，他无法根据这些问题判断对方是人还是计算机，那么就可以认为这个计算机是智能的。

图灵测试是触发人工智能从哲学探讨到科学研究的重要因素。



1.2 机器学习

机器学习是人工智能的重要分支。并成为推动人工智能的关键因素。

机器学习是从方法过程的角度定义的。机器学习是方法域。

机器从有限观测数据中学习出一般规律，并利用这个规律去预测未知数据的方法。



机器学习要素

模型：输入与输出间的函数空间-假设空间

优化算法：用什么方法去求取模型。如何不断逼近并求取最优解。

准则（策略）：损失函数，风险函数，结构风险函数-在学习到的函数间确定哪个更好。-评判标准。



机器学习与模式识别

早期的机器学习也叫模式识别，主要用在语音，图像，人脸识别等 人类可以很好完成，但

又不知道是如何完成的，没法设计一套程序去完成。就设计一个算法根据标注的样本学习其规律。进而完成识别任务。

后来机器学习范围越来越广，用机器学习代替模式识别的概念。



1.3 表示学习

将输入信息（数据中），如何提取信息的特征，提取哪些作为特征很多时候都是机器学习中很重或最重的一项内容。并直接影响最终成果的优劣。



表示学习就是通过一种算法，而不是人工的方式，可以从信息中自动学习器有效特征，将输入信息转换为有效特征值实现特征提取。不用人工设计。



1.4 深度学习



深度学习最早就是在表示学习上应用起来的。



深度学习是机器学习的一个子问题，其主要目的是从数据中自动学习到有效的特征表示．





深度学习是一种多层转换的机器学习。与浅度学习对照（浅度学习不包括特征学习<不包括表示学习>部分）。



所谓“深度”是指原始数据进行非线性特征转换的次数（层数），经过很多层。



1.5 人工神经网络



模拟人脑神经元网络而设计的一种计算模型。

是机器学习中模型要素的一种。

目前深度学习主要以神经网络模型为基础。