AI小白学人工智能基础-CSDN博客

一、监督学习：先整理数据，打标签
二、常用算法思维方式：穷举法、贪心法（梯度下降）、分制、动态规则
三、不是先有算法，先有数据集，为了想要数据集中打某些数据而设计的方式方法叫算法，这个用程序实现算法，叫机器学习的过程
四、人工智能AI-》机器学习-》深度学习
五、历史过程：
    1>  基于规则的系统（Rule-based systems)，规则多了，人工无法维护
        input -> hand-designed program -> Output
        例如：在数学中求函数f(x)的原函数,由程序来求原函数
            a:  先构造一批所谓的知识库(knowledge base):
                 f(e^x)dx = f(e^x)
    2>  经典的机器学习（Classic machine learning)
        input -> hand-designed features -> Mapping from features -> output
        文本、图片、音视频等等，人为的提取特征，然后把特征转化为向量或者张量。
        在特征向量或特征张量与输出建立一个函数关系:output(y) = f(input)或f(x):函数映射关系
        例如：线性模型、感知机、各种神经网络等都是在做这种函数映射关系，统称为经典机器学习

    3>  表示学习
        input->Features->Mapping from Features->output
        a>  提取特征的任务交给机器，让机器自动的学习提取特征
        b>  需要提取的特征越多，维度越高，需要的数据越大，维度诅咒;
        c>  提取特征多了，维度变高维，需要降维，此时就需要做高维到低维的映射（线性映射或者非线性空间映射）
        d>  例如：线性映射->线性代数就可以 y=wx+b
    4>  深度学习（Deep Learning)
        input->Simple features ->Additional layers of more abstract features->Mapping from features->output
        a>  EndtoEnd,端到端的学习方法
        b>  文本->序列，图片->像素向量，音频->波形序列,视频->图片序列+音频波形序列

六、最早的人工智能来源于“神经科学”，现在的人工只能来源于"数学+工程学"
    1>  5亿年前寒武纪生物大爆发，眼睛演进出来->运动需求->大爆发
    2>  1955年用猫做实验，在脑部植入电极，给猫看幻灯片，得出猫大脑处理视觉信息，是大脑神经分层处理的，
        浅层神经处理特征（比如线条的移动、颜色块等高级特征）影响特别大

七、神经元如何处理信息（略）
八、模仿神经元处理信息：正向传播、反向传播
    1>  正向传播
        a + b = c ,当 a = 1，b = 2时，c =3
    2>  反向传播 求偏导,反向传播打核心叫做计算图
九、深度学习需要知识：概率论、数据统计、python
十、人工智能框架：Theano一个开源的学习框架，后来由Goolge开发出Tensorflow-> TF Boys
               Torch一个开源学习框架，2017年由Facebook开发出Pytorch