Andrew Ng -- What is Ai? the first week
ANI = 弱人工智能
AGI = 强人工智能
# A to B 监督式学习
# 数据的质量；
红色：传统AI
蓝色：小的神经网络
紫色：中等神经网络
绿色：大型神经网络
# 数据的使用和误区； 不要把数据丢给人工智能团队，并认为这些数据是有价值的。
# 举例一个表的数据（统称：数据集）；并进行手动标注
# 获取数据 的方式来自互联网和合作伙伴（有些公司有大量数据积累）
# 数据是混乱的；不一定都是有效的数据，比如确实的数据，或者错误的数据（需要数据清洗）
# 机器学习（ML） 和 数据科学(DS)
# 机器学习一般对应的会出现一个系统或者软件，输入数据A ，得到结论B；数据科学则是通过数据，展示给人们通过这个数据做个决策导向参考；
# 神经网路（人工神经网络） = 现在的名字叫（深度学习；为了品牌效应，或者更好听？），本质就是通过这个计算A to B的一种方法或
# AI > ML（机器学习） > DL（深度学习）/NN(神经网络） All Tools = DS（数据科学）
# 互联网时代 和AI时代；有小型的商店+一个web网站 ≠ 你就是互联网公司。同理可得，任何公司+深度学习 ≠ Ai公司
A/B测试短迭代时间决策推给工程师和其他专业角色； 简单说真正的互联网公司虽然展现给客户的是一个Web但是底层决策的技术完全不一样
战略数据获取统一数据仓库普及自动化新角色（如MLE）和分工；真正的人工智能公司会发放一些不赚钱的产品来，收集用户数据，并且要有战略性的收集有用数据
# 人工智能转型
【试点】1. 执行试点项目以获得动力; 做一个小型项目去认知、试水、看看我们可以做什么
【团队】2. 建立一个内部人工智能团队；储备相关人才，不仅仅是技术型人才
【培训】3. 提供广泛的培训； 培训对象也不仅仅是技术，包括产品经理，管理层，决策者
【战略】4. 制定一个战略； 需要有清晰的战略目标、leader
【目标】5. 发展内部和外部沟通； 保持沟通一致，所有涉及相关员工、客户、投资人都需要清楚的知道；公司是如何在Ai的兴起中找到前行的方向
# 机器学习如今什么可以做和不能做； 进行简单的文字识别，根据识别的内容进行分类，可以做；但是需要“同理心”带感情的去回复客户邮件内容，并做相关安排不太容易实现。尤其是在客户发来的邮件都是“五花八门”内容不一的情况下。
# 要知道Ai能不能做某件事，从2个维度进行简单判断：
1. 学习简单；能在小于或者等于1秒就能做出反应的问题；而不需要复杂的逻辑判断
2. 有大量的可用数据，足够输入A，获得B
# 能通过大量X光照片分辨出肺炎；不能通过书本的经验，就能解释或者确定这个就是肺炎 ；学习能力还是过于“机械”
# 机器学习工作的比较好的情况：
1. 学习“简单“的概念
2. 有很多可用的数据
# 机器学习工作的不太理想的情况：
1. 从少量数据中学习复杂的概念
2. 它被要求在新类型的数据上执行;举一反三的能力弱（比如数据集的方向进行更换）
# 人眼看到的图像和电脑看到的图像区别
# 神经网络的魔法就在于，你并不需要知道神经网络里面到底在干嘛，你需要给它很多象A这样的图片数据和像B这样的正确人脸的身份标签。
