關於腦的探尋：
簡單分為下面三個層次：
類人思考系統+理性思考系統+類人行動系統+理性行動系統
下面是早年ai的一些演算法：（1）暴力搜尋，bf和df
(2)感知器（即一種用於單層神經網路的早期監督式演算法）給定乙個輸入特徵向量，感知器演算法將劃分到特定的類別。通過使用訓練集，可以更新線性分類的網路權值和閾值。我的理解是，根據輸入的特徵，進行線性回歸，邏輯回歸，然後梯度下降處理一下。
（3)集群演算法：最簡單的是乙個k均值演算法，他的大概思想，用乙個隨機的特徵向量初始化乙個集群，然後將其他所有樣本新增到集群，然後將其他所有樣本新增到離他們最近的乙個集群，他的質心會被重新計算。最後該演算法會再次檢查樣本，確保他們存於最近的集群中， 並沒有改變集群成員關係時停止執行。
（之前看過乙個k-means演算法，）
（4）決策樹：即一種**模型，可對某個結論的觀察值進行**。（樹上的樹葉代表結論，而節點是觀察值分叉時所決在的決策點）決策樹的學習演算法根據屬性值將資料集拆分成子集。
我的理解是：像樹狀圖，一層一層往下，不斷地判斷，不斷地確定分類資料。
（5）基於規則的系統：
基於規則的系統組成：規則集，知識庫，推理引擎，使用者介面；（可用於儲存知識規則並使用乙個推理系統得出結論）
《大家看到從感知器，集群演算法，決策樹什麼的就開始和機器學習有交叉了》
提出目標：它的目標是讓計算機能學習並構建模型，以便能夠執行一些活動，比如特定領域中的**。算是乙個人工智慧的子領域，演算法目前是與認知計算有一些重合。
大體的過程：低層次感知 -> 預處理 -> 特徵提取 -> 特徵選擇->推理**識別
我的理解就是最重要的一步就是建立模型去處理特徵，最基本的模型就是線性回歸，邏輯回歸等。大概有底下兩個劃分：
監督學習：監督學習即給出一組特徵，也給出特徵所對應的結果。以此來推測另外特徵所對應的結果。（比如說給出某一地區房子的面積大小，臥室數量，以及它們所對應的**。以此來**給定面積大小，臥室數量的另外一些房子的**。）向上面說的感知器就是這個思路，訓練決策樹也常常用到。
無監督學習:就是給出一些特徵，但是不給出這些特徵所對應的結果，以此判斷這些特徵的結構關係。向上面說的聚類演算法就是這個思路。
強化學習（半監督式學習）：一邊獲得樣例，一邊學習，在獲得樣例後更新自己的模型。
監督學習和無監督學習的區別：
監督學習需要訓練集和測試樣本，在訓練集中尋找規律，而對測試樣本使用這種規律。非監督學習只有一組資料，在此資料集中尋找規律。（注意找規律也不一定要分類）
監督學習的訓練集中已經給出了輸出值，但是半監督學習的獎勵懲罰是延後給出的。
下面介紹一下常見的機器學習演算法：
反向傳播演算法:即訓練多層神經網路的演算法。（類似於前面的感知器，但是感知器是乙個單層的神經網路，為了公升級訓練多層的神經網路，就有了反向傳播演算法）
進行過程：第一階段（前饋）：通過乙個神經網路將輸入傳播到最後一層。
第二階段，演算法計算乙個錯誤，將次錯誤從最後一層反向傳播到第一層。
訓練期間，網路的中層自行地進行組織，以便將輸入空間的各部分對映到輸出空間，通過監督式學習，反向傳播識別輸入輸出對映中的錯誤，相應地調整權值來更正此錯誤。
卷積神經網路(cnn):
進行過程：特徵提取並分類 -> 將提取的特徵注入卷積層—>通過池化保留最重要的資訊->上面的步驟多次進行之後注入完全連通的多層感知器 -> 輸出標識影象特徵的結點 ->使用者反向傳播該訓練該網路。
長短期記憶(lstm)：構建遞迴神經網路，將反饋送到前幾層或者他們層中的後續節點，該屬性使這些網路可以處理時序資料。
我的理解：很像是反向傳播演算法的一種改進，讓中層的神經網路有一些記憶功能。
其像乙個方法，而不是一種演算法，即採用無監督學習來實現深度網路的一系列演算法。可以理解為採用方法去使用改進機器學習中提到的演算法。
認知計算的目標：建立一種能夠擺脫人類干預的並自行解決複雜問題的計算系統。
詳細一點說，認知計算就是一種自我學習系統，可以像人類大腦那樣通過資料探勘、影象識別以及自然語言處理來進行學習。
認知計算建立在神經網路和深度學習之上，運用認知科學中的知識來構建能夠模擬人類思維過程系統。目前為止，他並沒有單組技術，他更多地依託現有的機器學習演算法。
總結圖（字醜不要噴）：
其實這裡涉及到的並不是讓機器擁有人的情感，而是人類的情緒識別，比如nlp去分析文字所表達的情緒狀態，還有通過生理指標，面部表情去識別人類的情緒。我的感覺是其實還是回歸基本的分類，然後做出互動性更好的回饋。
所以，關於這個方面，它相當於是機器學習的乙個研究方向，就好像nlp，計算機視覺這個樣子。
為什麼放到這裡來說，就是想和認知計算做乙個區分。
分享乙個ibm出品的乙個入門指南：
（上面很多資料都來自這個）
上面的一些理解可能不一定正確，大家多多指正！
順便收集一下各方的機器學習的學習資料：
1 學習基礎的，吳恩達，李巨集毅的
（吳恩達老師講的真的很清晰，我大一的時候看過都看得懂的那種型別，李巨集毅是學長推薦的）
2 學習**的：
最近看的是莫煩的pytorch
numpy我看的是阿里雲大學的，只是了解了基礎。
對人工智慧的認識
對人工智慧的認識 人工智慧是電腦科學的乙個研究分支，不過，這個分支下面又包含很多的研究方向，這個分支提出的時間很早，中間也熱鬧過幾次，自從2012年以來又熱鬧了，所以看了一點綜述文章對此進行簡單的記錄。2 人工智慧包括六個方面 一 計算機視覺 算上模式識別 影象處理等問題 二 自然語言理解與交流 包...
對人工智慧的了解
20世紀50年代以來，計算機科學家們致力於研發與人類智慧型類似的程式。當這些程式被開發到一定水平後，它們就可以在一些特定的應用場景中替代人類。它們被稱為人工智慧 ai 和認知計算。對於人工智慧，我的了解並不是很多，知識面很有限，盡量總結一些。1 涵蓋領域 涵蓋了電腦科學 心理學 哲學 神經科學 社會...
乙個菜鳥對人工智慧的初步理解
一直對人工智慧感興趣的，今天看了一些書，寫一點目前我對人工智慧知道的東西吧 參考書籍 人工智慧 柴玉梅，張坤麗主編，2012.6 2017.1重印 機械工業出版社 1 人工智慧的定義 目前估計大家都無法給出乙個準確的定義，根據我的理解，人工智慧它大概是演算法 仿生 感知 計算 控制 學習 人腦心理 ...