人工智能深度学习入门练习之（11）TensorFlow – 理解人工智能

具有感知、学习、推理和解决问题等认知功能的机器被认为拥有人工智能。

当机器具有认知能力时，人工智能就产生了。人类在相关领域的能力是人工智能的衡量标准。

• 弱人工智能 弱人工智能执行特定任务，甚至比人类做得更好，例如，围棋人工智能AlphaGo。弱人工智能是目前人工智能的主要研究领域。
• 强人工智能 强人工智能能够像人类一样精确地执行任何智力任务。

人工智能(AI)出现在20世纪中期，当时科学家们试图设计智能机器。

机器学习是在20世纪后期发展起来的，是人工智能的一种方法，机器学习技术让科学家可以训练人工智能机器。

机器学习领域中有一类算法，模拟人类大脑中的神经网络工作模式，称为人工神经网络。本世纪初，多层神经网络的突破进展，导致了深度学习的出现。

机器学习

机器学习是人工智能的一种方法，是人工智能的子集。

机器学习系统通过从输入和输出数据中提取模式来学习。

机器学习(ML)基于样本数据学习，程序从有标记的数据(监督学习)、无标记的数据(无监督学习)或两者的组合(半监督学习)中学习。

人工神经网络

人工神经网络，模拟人类大脑中的神经网络工作模式，是机器学习领域中的一种算法。

人工神经网络由许多简单的处理单元(神经元)互联组成。这些神经元被分成了很多层，层与层之间的神经元有连接，而层内之间的神经元没有连接。最左边的层叫做输入层，这层负责接收输入数据；最右边的层叫输出层，我们可以从这层获取神经网络输出数据。输入层和输出层之间的层叫做隐藏层。

本世纪初，多层神经网络的突破进展，导致了深度学习的出现。

深度学习

隐藏层比较多（大于2）的神经网络叫做深度神经网络。而深度学习，就是使用深层架构（比如，深度神经网络）的机器学习方法。

相比浅层网络，深度网络的性能更好，但也更难训练，需要更多数据。

人工智能、机器学习及深度学习之间的关系

机器学习是人工智能的一个子集，深度学习是机器学习的一个子集。

深度学习大发展的驱动力

自20世纪50年代以来，人工智能的发展经历了几次低潮和高潮，近几年来，人工智能又一次迎来发展高潮，背后有强大的驱动力：

• 随着互联网的发展，海量数据变得容易获取
• 随着硬件性能提高，GPU可以快速执行深度学习的计算
• 改进的神经网络性能

监督学习与无监督学习

人工智能的学习是指，给人工智能系统提供一批样本数据，人工智能从这些数据中总结出一个规律（函数），然后使用这些规律来预测其他数据。

人工智能的学习分为2类：

监督学习：对有标记（分类）的训练样本进行学习，以尽可能对训练样本集外的数据进行标记（分类）预测。

监督学习中，所有的标记（分类）是已知的。因此，训练样本的岐义性低。

无监督学习：对没有标记（分类）的训练样本进行学习，以发现训练样本集中的结构性知识。

这里，所有的标记（分类）是未知的。因此，训练样本的岐义性高。

聚类就是典型的无监督学习，经过聚类后的样本数据就可以用来做监督学习。