摘抄自《深度學習之pytorch》。
人工智慧（artificial intelligence），也稱機器智慧型，是指由人工製造出來的系統所表現的智慧型。所謂的智慧型，即值可以觀察周圍環境並據此作出行動已達到目的。
人工智慧的概念很寬泛，現在根據人工智慧的例項將它分為三大類：
弱人工智慧是擅長單個方面的人工智慧，如alphago。
達到類人級別的人工智慧。強人工智慧是指在各方面都能和人模擬肩的人工智慧，人類能幹的腦力活，它都能幹。創造強人工智慧比創造弱人工智慧難得多，目前還做不到。 linda gottfredson教授把智慧型定義為「一種寬泛的心理能力，能夠進行思考、計畫、解決問題、抽象思維、理解複雜理念、快速學習和從經驗中學習等操作。」強人工智慧在進行這些操作時應該和人類一樣得心應手。
牛津哲學家、知名人工智慧思想及 nick bostrom把超級智慧型定義為 「在幾乎所有領域都比最聰明的人類大腦都聰明很多，包括科學創新、通識和社交技能。」超人工智慧可以是各方面都比人類強一點，也可以是各方面都比人類強萬億倍。
簡而言之，資料探勘就是在大型的資料庫中發現有用的資訊，並加以分析的過程，也就是人們所說的kdd（knowledge discovery in database）。
乙個資料的處理過程，就是從輸入資料開始，對資料進行預處理，包括特徵選擇、規範化、降低維數、資料提公升等，然後進行資料的分析和挖掘，再經過處理，例如模式識別、視覺化等，最後形成可用資訊的全過程。
所以說資料探勘只是一種概念，即從資料中挖掘到有意義的資訊，從大量的資料中尋找資料之間的特性。
機器學習算是實現人工智慧的一種途徑，它和資料探勘有一定的相似性，也是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、計算複雜性理論等多門學科。不同於資料探勘的從大資料之間找相互特性，機器學習更加注重演算法的設計，讓計算機能夠自動地從資料中「學習」規律，並利用規律對未知資料進行**。因為學習演算法涉及了大量的統計學理論，與統計推斷聯絡尤為緊密，所以也被稱為統計學習方法。
機器學習可以分為以下五個大類：
監督學習：從給定的訓練資料集中學習出乙個函式，當新的資料到來時，可以根據這個函式**結果。監督學習的訓練集要求是輸入和輸出，也可以說是特徵和目標。訓練集中的目標是由人標註的。常見的監督學習演算法包括回歸與分類。
無監督學習：無監督學習與監督學習相比，訓練集沒有人為標註的結果，常見的無監督學習演算法有聚類等。
半監督學習：介於監督學習與無監督學習之間的方法。
遷移學習：將已經訓練好的模型引數遷移到新的模型來幫助新模型訓練資料集。
增強學習：通過觀察周圍環境來學習。每個動作都會對環境有所影響，學習物件根據觀察到的周圍環境的反饋來做出判斷。
傳統的機器學習演算法有以下幾種：線性回歸模型、logistic回歸模型、k-臨近演算法、決策樹、隨機森林、支援向量機、人工神經網路、em演算法、概率圖模型。
深度學習的最初級版本是人工神經網路，這是機器學習的乙個分支，其試圖模擬人腦，通過更加複雜的結構自動提取資料特徵。
隨著神經網路的發展，目前比較流行的網路結構分別有：深度神經網路（dnn）、卷積神經網路（cnn）、迴圈遞迴神經網路（rnn）、生成對抗網路（gan）等等。
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...
人工智慧基礎 什麼是人工智慧
人工智慧是一門研究如何構造智慧型機器 智慧型計算機 或智慧型系統，使它們能夠模擬 延伸和拓展人類智慧型的學科。個人理解就是 研究人的智慧型，並且把人的智慧型放到機器上面，代替人思考。人工智慧發展簡史 孕育階段 1.亞里斯多德三段論 2.英國哲學家培根 知識就是力量。3.萊布尼茨 建立一種通用的符號語...
人工智慧先驅為何會擔憂人工智慧？
公開信發表後，已有數千人在上面簽名。其中不乏來自谷歌 facebook 微軟等頂尖人工智慧研究機構的科學家。同時來自全世界的物理學家 哲學家也在上面留下了自己的名字。quanta 雜誌採訪了stuart，詢問了他對當前人工智慧發展的幾點看法。讓我們來看看該領域的大師如何評價這一革命性技術吧。quan...