一、什么叫人工智能、机器学习、深度学习

人工智能：

computational agents(机器） 可计算的机器 and act intelligently

AI are systems（系统） ，可以做以下的事情：

rationally 理性地

理性思考和做事情

像人类一样思考和行动。

AI现在是处于初级发展的阶段，

（狭义上的AI）限制AI-在某个领域下的某个方面的特定问题，

解决一类的问题，解决在一个垂直领域（纵向问题）

  要认清技术的边界以及定义好问题的范围(scope)。

（广义上的AI）通用AI-让AI做任何事情

人就是一个很厉害的AI。

结论：限制AI是可以实现的，但是通用AI是需要很久很久才可以实现。

如何正确地实施一个AI项目使得减少失败率？

参考文章：https://mp.weixin.qq.com/s/WOVVnZYTHCVAVHU6hNQcAQ

85%的AI项目以失败告终,做好以下几条避免失败：

1.数据

2.好的问题

3.技术的边界/上限

4.了解业务

5.迭代-更新-试错

6.业务评估

AI VS BI 的区别：

AI（Artifical Intelligence）

BI(Business Intelligence)

BI是一种分析的工具，也就是通过一些方式把数据更直观的展示给用户，辅助人去决策。

另一方面，AI是通过数据帮助人做决策。

BI看作是辅助的决策的工具，AI则可以直接帮我们做决策。

二、机器学习

机器学习是解决人工智能问题的最核心的技术。

例如推荐系统、无人驾驶、人脸识别、竞技分析等应用都依赖于机器学习技术。

机器学习：

让机器（计算机）具备学习的能力（在不需要编程的情况下），机器自主学习，而不是我们告诉机器的。

机器学习的核心是，从数据中自动学出规律，而不是一个人拍脑袋定出来的。可以简单地理解为归纳总结。而且通过机器归纳出来的规律有可能很多是我们之前都没有想到的。

例如：图像识别

识别一个图片里是否包含苹果

有两种方法：

1.人的经验去描述它是苹果，符合我们的要求（颜色、形状），如果编程实现，则需要去编这些属性

2.我们给机器看一张图片，机器通过观察，自动从这些图片（数据）里得出规律（规则），当下次再给定一个新的图片时，机器可以很快地直接判断出来。（这就是机器学习）

机器学习的过程：

训练集（苹果（标签）和香蕉的图片） -》进入机器学习模型（把训练集放到机器学习模型中去学习，模型里可以学出训练集的事物的规律（特点）） —》识别新的图片（测试集-  让模型去识别新的样本（测试集） ）—》 给出结果（ 一般要得出识别的概率 -不同物体的识别概率（苹果 0.9 香蕉 0.1） ）

三、深度学习

深度学习的概念：

深度学习是机器学习的分支，即机器学习包含深度学习。

深度学习是一种算法（启发于人的大脑-人工神经网络（ANN））。

人的大脑的认知-设计出类似人的大脑的模型 

神经科学的发展会推动深度学习的发展，这两个领域是相辅相成的。

要想在深度学习有突破，必须理解人的大脑是怎么运作的-怎么识别的，怎么与外界打交道。

现在的所使用的深度学习模型与人的大脑的运行机理没什么有大的关系的，全是靠想象做出的模型。

其实深度学习模型指的不是一个特定的模型，而是一个框架（既然是框架，那就有很多模型），或者可以认为一类的方法论。

“深”怎么理解？

深度可以理解成我们把很多简单的模型叠加在了一起，这自然就能得到一个有深度的模型。举个例子，比如我们把一个神经网络叠加成多层结构的时候，得到的是深度神经网络； 当我们把一个高斯混合模型叠加在一起的时候就得到了深度高斯混合模型； 当我们把SVM叠加在一起的时候就得到了深度SVM模型。由此可见，这样的一个框架可以应用在很多不同种类的模型上。

为什么我们需要把一个模型叠加在一起弄成深度学习模型呢 ？

深度可以理解成我们把很多简单的模型叠加在了一起，这自然就能得到一个有深度的模型。举个例子，比如我们把一个神经网络叠加成多层结构的时候，得到的是深度神经网络； 当我们把一个高斯混合模型叠加在一起的时候就得到了深度高斯混合模型； 当我们把SVM叠加在一起的时候就得到了深度SVM模型。由此可见，这样的一个框架可以应用在很多不同种类的模型上。

四、人工智能、机器学习、深度学习的关系