1.1 人工智能
人工智能就是要讓機器的行為看起來就像是人所表現(xiàn)出的智能行為一樣．
（1） 感知：模擬人的感知能力香浩，對外部刺激信息（視覺和語音等）進行感
知和加工．主要研究領(lǐng)域包括語音信息處理和計算機視覺等．
（2） 學習：模擬人的學習能力吕粹，主要研究如何從樣例或從與環(huán)境的交互中
進行學習．主要研究領(lǐng)域包括監(jiān)督學習嗜暴、無監(jiān)督學習和強化學習等．
（3） 認知：模擬人的認知能力，主要研究領(lǐng)域包括知識表示流纹、自然語言理
解吻商、推理滔灶、規(guī)劃、決策等.
1.1.1 人工智能的發(fā)展歷史
1.1.1.1 推理期間
1.1.1.2 知識期
1.1.1.3 學習期
1.1.2 人工智能的流派
1）符號主義（Symbolism)
2)? 連接主義（Connectionism)
1.2 機器學習
機器學習（ Machine Learning员魏， ML） 是指從有限的觀測數(shù)據(jù)中學習（ 或“猜測”） 出具有一般性的規(guī)律丑蛤， 并利用這些規(guī)律對未知數(shù)據(jù)進行預測的方法.
實際任務(wù)中使用機器學習模型一般會包含:
1）數(shù)據(jù)預處理：（量綱同一、去噪撕阎、分類受裹、連續(xù)變量的編碼等）
2）特征提取
3）特征轉(zhuǎn)換：（降維升維）降維包括特征抽取（ Feature Extraction） 和特征選擇（ Feature Selection） 兩種途徑． 常用的特征轉(zhuǎn)換方法有主成分分析（ Principal Components Analysis虏束， PCA）棉饶、線性判別分析（ Linear Discriminant Analysis， LDA） 等．
4）預測：機器學習的核心部分镇匀， 學習一個函數(shù)并進行預測．
1.3 表示學習
如果有一種算法可以自動地學習出有效的特征照藻， 并提高最終機器學習模型的性能， 那么這種學習就可以叫作表示學習（ Representation Learning）.
兩個核心問題： 一是“什么是一個好的表示”汗侵； 二是“如何學習到好的表示”．
1.3.1?局部表示和分布式表示
局部表示通承衣疲可以表示為one-hot 向量的形式
優(yōu)點：
1） 這種離散的表示方式具有很好的解釋性， 有利于人工歸納和總結(jié)特征晃择， 并通過特征組合進行高效的特征工程
2） 通過多種特征組合得到的表示向量通常是稀疏的二值向量冀值， 當用于線性模型時計算效率非常高
不足之處：?
1） one-hot向量的維數(shù)很高， 且不能擴展
2）特征相似度為0
分布式表示通彻溃可以表示為低維的稠密向量
和局部表示相比列疗， 分布式表示的表示能力要強很多， 分布式表示的向量維度一般都比較低（RGB三維值表示顏色）
1.3.2 表示學習
1.4 深度學習
一種學習方法可以從數(shù)據(jù)中學習一個“深度模型”浪蹂， 這就是深度學習（ Deep Learning抵栈， DL）． 深度學習是機器學習的一個子問題， 其主要目的是從數(shù)據(jù)中自動學習到有效的特征表示.
1.4.1 端到端學習
1.5 神經(jīng)網(wǎng)絡(luò)
1.5.1 人腦神經(jīng)網(wǎng)絡(luò)
1.5.2 人工神經(jīng)網(wǎng)絡(luò)
1.5.3 神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史
第一階段： 模型提出????1943年～1969年?MP模型坤次、Hebbian法則古劲、感知器
第二階段： 冰河期????1969年～1983年????反向傳播算法
第三階段： 反向傳播算法引起的復興????1983年～1995年??Hopfield 網(wǎng)絡(luò)、玻爾茲曼機缰猴、分布式并行處理产艾、梯度消失阻礙
第四階段： 流行度降低????1995 年～2006 SVM及其他簡單方法的流行
第五階段： 深度學習的崛起? ? 2006年至今 “預訓練 + 精調(diào)”+GPU設(shè)備
1.7 常用深度學習框架
（ 1） Theano
（ 2） Caffe
（ 3） TensorFlow
（ 4） PyTorch
（ 5） PaddlePaddle
