Abstract：本文以简短通俗的语言阐释AI的几个基本概念。AI本质是函数。
1.人工智能
- AI：让机器具备类似人的智能，从而替代人类去完成某些工作和任务
- 强AI：像人类一样去思考和推理，且具备知觉和自我意识（发展处于停滞状态）
- 弱AI：看起来像是智能的，但不会具备知觉和意识
- AI实现：
- 基于规则进行编程：让机器能按照程序中存在的逻辑处理特点任务，从结果上看机器是智能的
- 机器学习：喂给机器大量针对某一任务的数据，让机器自己去学习，继而挖掘出规律，从而具备完成某一任务的智能
如识别狗：
1.基于规则：告诉机器狗的特征，机器去识别出满足这些规则的东西
2.机器学习：不告诉机器狗的特征，但喂给机器10万张狗的图片，机器自己从图片中学习到狗的特征，从而具备识别狗的智能
2.机器学习
从模型层次结构角度划分：浅层学习和深度学习
浅层学习（shadow Learning）
模型层次较浅，通常无隐藏层或只有一层隐藏层(hidden layer)
常见算法：线性回归，逻辑回归，随机森林，SVM，K-means，RBM，AutoEncoder，PCV，SOM等
深度学习（Deep Learning）
- 深：有较多的隐藏层（使得深度学习网络拥有表达更复杂函数的能力，能够识别更复杂的特征，完成更复杂的任务）
- CNN与RNN
- CNN(Convolutional Neural Networks): 计算机视觉最主要的算法
- Prisma：图像风格迁移
- 美颜相机：滤镜
- 交通监控视频识别：识别车牌号
- 商场监控视频：识别人脸
- 无人车：用CV去观察和理解世界
- RNN(Recurrent Neural NetWorks): 循环神经网络
- RNN衍生算法：LSTM、GRU(Gated Recurrent Unit)，其拥有时间记忆功能，可用来处理一些具有时间序列属性的数据，适合处理语言、文字
- 应用：语音识别、机器翻译、合成音乐
- 如：对话机器人、讯飞输入法(TTS)
3.AI的本质——函数
AI其实就是我们喂给机器目前已有的数据，机器就会从这些数据里去找出一个最能满足（此处用“拟合”或可提升逼格）这些数据的函数，当有新的数据需要预测的时候，机器就可以通过这个函数去预测出这个新数据对应的结果是什么。
一个具备智能的模型具备三要素：
- 数据：大数据量（只有数据量足够大，模型才能够学习到足够多且准确的区分猫和狗的特征，才能在区分猫狗这个任务上表现出足够高的准确性）
- 算法：神经网络架构的设计（构建模型时我们打算用浅层的网络还是深层的，如果是深层的话我们要用多少层，每层有多少神经元、功能是什么，etc）
相当于我们确定了我们的预测函数应该大致结构是什么样的，我们用Y=f(W，X，b)来表示这一函数，X是已有的用来训练的数据（猫和狗的图片），Y是已有的图片数据的标签（该图片是猫还是狗），函数里的W（权重）和b（偏差）是需要机器学习后自己找出来的,找的过程也就是模型训练的过程。
- 模型: 我们把数据带入到算法中进行训练，机器就会去不断地学习，当机器找到最优W（权重）和b（偏差）后，我们就说这个模型是train成功了，这个时候我们的函数Y=f(W，X，b)就完全确定下来了。
