前言：剛上大學的時候，每每學習乙個新的課程，總覺得學習「概論」、「分類」這種東西很無聊。後來發現，學習具體的實現細節才是最無聊的……因為永遠 記 不 住。 所以 開始告訴自己建立系統的知識框架才是重要的：
>> 強人工智慧：指能製造出真正地推理和解決問題的智慧型機器。比如日本動漫裡的「阿童木」、鋼鐵俠的ai管家「賈維斯」就可以說是乙個強人工智慧。
>> 弱人工智慧：只用於解決某些特定領域的問題，比如 alphago，只會下圍棋。
目前人工智慧的現狀是：強人工智慧很弱、弱人工智慧很強。弱人工智慧已經強大到可以替代許多的崗位，深圳法庭已經開始試用智慧型語音識別做庭審的發言記錄，醫院可以用影象識別技術做醫學影像的分析。而強人工智慧，按照某大咖的說法，人類目前最先進的強人工智慧，也遠遠比不上乙個三歲孩子的智力。
補充：以筆者個人的理解，目前強人工智慧最大的乙個問題是——還具備不了真正的推理能力。比如乙個數字識別模型，如果使用的訓練資料都是正寫的「2」，那麼當這個模型輸入乙個倒寫的「2」，一般都是識別不出來的。
所有的資訊科學技術，甚至於整個自然科學技術領域，說到底是都是對資料的分析處理。在人工智慧研究中，按所研究物件的資料型別的不同，可以分為：結構化資料、非結構化資料
那麼我們怎麼讓電腦處理非結構化資料的呢？說白了，只有華山一條山——先把非結構化資料轉化成結構化資料。比如一張有480個畫素點的，我們先把它轉化為有480維度的結構化資料，再進行進一步處理。再說白了，其實「氣溫」、「相對溫度」本來也是非結構化資料，只是有人在程度員之前幫忙做了量化。
再再說白了，現在人工智慧所完成的很多任務作，就是通過資料分析做出最合理的**，由**的輸出型別，可以分為： 回歸**、分類**、聚類**
>> 回歸**：**資料為連續性資料。定量輸出，連續變數**。比如：**第二天的股價是多少（契合國情，可能應該**跌多少）
>> 分類**：**資料為類別型資料，並且類別已知。定性輸出，定性輸出。比如：**第二天的股價是漲是跌（契合國情，可能應該**跌不跌停）
>> 聚類**：**資料為類別型資料，但類別未知。
>> 監督學習
給程式一堆打好標籤的資料，比如：有1000張貓的（「貓」作為這些的標籤），和1000張沒貓的（「沒貓」作為這些的標籤）。通過輸入這2000張作為程式的訓練資料，從而讓程式學會識別中有無貓，這一過程稱為「監督學習」
>> 無監督學習
不需要任何帶標籤的訓練樣本，而需要直接對資料進行建模。 無監督學習裡典型的例子就是聚類了，「啤酒&尿布」是最典型的乙個案例： 通過對超市銷售資料的分析，得到啤酒跟尿布的銷售有很強的相關性。
（本文中涉及到定義及引例可能存在爭議，只作為個人的小見解，後續會繼續完善本文）
關於人工智慧的分類
人工智慧的概念在很久以前就被提出來了，關於人工智慧的概念，簡而言之就是研究 開發用於模擬 延伸和擴充套件人的智慧型的理論 方法 技術及應用系統的一門新的技術科學。其實人工智慧有三種型別，分別是弱人工智慧 強人工智慧 超人工智慧。在這篇文章中我們就詳細為大家介紹一下弱人工智慧 強人工智慧以及超人工智慧...
人工智慧演算法分類
人工智慧演算法大體上來說可以分類兩類 基於統計的機器學習演算法 machine learning 和深度學習演算法 deep learning 總的來說，在sklearn中機器學習演算法大概的分類如下 1 回歸演算法 2 分類演算法 3 聚類演算法 4 降維演算法 5 概率圖模型演算法 6 文字挖掘...
人工智慧簡史 人工智慧簡史
人工智慧簡史 在人工智慧的早期，計算機科學家試圖在計算機中重建人類思維的各個方面。這就是科幻 中的智力型別，即或多或少像我們一樣思考的機器。毫無疑問，這種型別的智慧型稱為可理解性。具有可理解性的計算機可用於探索我們如何推理，學習，判斷，感知和執行腦力活動。可懂度的早期研究集中於在計算機中對現實世界和...