人工智慧元年：2017-alphago 擊敗了柯潔。
圖靈測試：如果一台機器能夠與人類展開對話（通過電傳裝置）而不能被辨別出其機器身份，那麼稱這台機器具有智慧型。
打造人工大腦，需要回答的三個問題：
1）大腦如何運轉——正在探索
2）大腦的執行機制可否，拆分成差異性極低的可衡量單位——神經學家解答是，神經元
3）是否有，其它人工產物可等價體現，這一單元粒度的價值或功能——資訊學家解答是，可輸出0和1的元件（繼電器或電晶體）
ai誕生標誌：2023年dartmouth會議。
兩起兩落：
一起：出現很多ai程式和新的研究方向（推理搜尋演算法研究、自然語言處理）
一落：僅僅具有邏輯推理能力還不能夠實現ai，且當時落後的計算機運算能力和資料收集能力無法支撐起ai
**成兩派：簡約派（認為ai是解題機器）、蕪雜派（堅持ai具有非邏輯性聯想能力）
二起：簡約派研究出，專家系統（xcon支援自動選擇元件）。bp演算法的提出，解決了多層神經網路學習過程中的問題。也使得神經網路作為主流演算法，應用於模式識別、**和智慧型控制等機器學習領域。
二落：蘋果和ibm在pc市場的發力，使得lisp電腦破滅，導致ai的硬體基礎也破滅。
摩爾定律：當**不變時，積體電路上可容納的元器件數目約每隔18~24個月便會增加一倍，效能也將提公升一倍。
四場人機大戰：
1、97年，ibm的深藍，挑戰博弈樹複雜度為10的123次方的西洋棋。
2、06年，浪潮天梭挑戰中國象棋。
3、11年，沃森在智力問答節目《危險邊緣》中戰勝兩位人類冠軍，沃森展現出驚人自然語言處理能力。
4、16年，aphago
機器學習：使用演算法來解析海量資料，從中找出規律，並完成學習，用學習出來的思維模型對真實事件做出決策和**。
機器學習的幾種學習方式：
1、監督式學習，訓練集由輸入資料和預期輸出的標籤組成。
回歸分析：函式輸出為連續的值。
分類：**內容為離散標籤。
2、無監督式學習，適用於聚類，把相似的東西聚在一起，而無所謂這一類是什麼。
3、強化學習，強調如何基於環境而行動，以取得最大化的預期利益。
強化學習的反饋僅僅檢查模型的對錯，會接受到類似的獎勵或懲罰的刺激後，逐步調整。專注於規劃，在探索未知領域和遵從現有知識之間找到乙個合理的平衡點。
學習率：資訊在人腦神經細胞的突觸上傳遞時，強度可變化。
bp演算法雖解決了兩層網路的所需要的複雜計算量問題，但一次訓練太耗時，且區域性最優解問題使得優化網路較困難。
hinton提出了深度學習，並增加了兩個優化技術——預訓練和微調。（讓神經網路權值找到乙個接近最優解的值）。
《生成對抗網路入門指南》學習筆記（五）
gan的優化問題 訓練gan最大的問題 訓練的不穩定性。理論上，應優先訓練好判別器，但實際上，判別器訓練地越好，生成器反而越難優化。真實資料的分布，通常是乙個低維度流形。所謂流形，是指資料雖然分布在高維度空間裡，但實際上資料並不具備高維度特性，而是存在於乙個嵌入在高維度的低維度空間裡。生成器要做的事...
GAN學習筆記 生成對抗網路
看了ian大神的 學習一下gan。一 基本介紹 生成對抗網路由兩部分組成 generatative model 和 discriminative model，以下分別簡稱為g 和 d。在gan中，訓練集是無標籤資料集data，g接受資料z，產生g z 而d判定g產生的資料是來自於真實資料data還是...
半監督生成對抗網路 生成對抗網路
一 生成對抗網路相關概念 一 生成模型在概率統計理論中，生成模型是指能夠在給定某些隱含引數的條件下，隨機生成觀測資料的模型，它給觀測值和標註資料序列指定乙個聯合概率分布。在機器學習中，生成模型可以用來直接對資料建模，也可以用來建立變數間的條件概率分布。通常可以分為兩個型別，一種是可以完全表示出資料確...