图灵测试

image.png

Alan Mathison Turing，1912.6.23-1954.6.7，英国数学家、逻辑学家，被称为计算机科学之父，人工智能之父。1950年他在论文《机器能思考吗？》中提出了图灵测试，一种用于判定机器是否具有智能的试验方法：

提问者和回答者隔开；
提问者通过一些装置（如键盘）向机器随意提问；
多次测试，如果有超过30%的提问者认为回答问题的是人而不是机器，那么这台机器就通过测试，具有了人工智能；

机器学习

举个例子：做公司的班车上班，你想预测班车到达公司的时间。第一次乘坐，你的预测通常不太准，一周之后，你大概能预测：班车8点左右到达公司，一个月后，随着经验的增加，你还会知道：周一通常堵车，会晚10分钟，下雨常堵车，会晚20分钟。

决策树模型

上图就是一种简单的机器学习模型：决策树模型；机器学习是一种统计学方法，计算机利用已有数据，得出某种模型，在利用此模型预测结果。 它的特点是：随着经验的增加，效果会更好。

传统计算机运算模型是冯诺依曼架构：指令和数据都被预先存储，按照指令先后顺序，逐条读取并运行，它的特点是输出结果是可以确定或预见的；
机器学习则不一样：它的输入不再是预先写好的指令，而是数据，它的输出是结果出现的概率。它会预先读取已有的大量数据，根据已有数据训练出模型，当模型训练好了，新的数据输入，它会计算出对应的结果。

image.png

就像大人教小孩学习一样，比如你要教你的小孩认识猫，你不会把维基百科上猫的定义灌输给小孩，而是当你们看见猫的时候，你会对你的孩子说，宝贝这是猫。久而久之，它再次见到猫之后，不管猫的颜色是黄色的还是白色的，是胖的还是瘦的，他/她都知道这是一只猫。

深度学习

神经网络

深度学习是深层次神经网络，源于生物学神经元结构的研究。随着人的成长，脑神经网络是在逐渐变粗变壮的，层次也在逐渐加深。

成人的大脑有860亿个神经元，实现多层的神经网络的复杂函数拟合。

神经元模型

神经元

神经元模型是一个包含多个输入，一个输出与计算功能的模型。输入可以类比为神经元的树突，输出可以类比为神经元的轴突，计算可以类比为细胞核。

神经网络寒冬

人工智能从被提出到现在，并非一帆风顺，就拿神经网络来说，就经历了三起两落。在寒冬期间，不少的科研工作者依旧坚守，推动了人工智能的发展。

Geoffrey Hinton ：多伦多大学教授，谷歌大脑多伦多分部负责人，他发表了许多让神经网络得以应用的论文，激活了整个人工智能领域；
Yann LeCun ：Hinton的学生，纽约大学教授，Facebook AI 研究所负责人，他改进了CNN算法，使CNN具有了工程应用价值，现在CNN依旧是计算机视觉领域最有效的模型之一；
Yoshua Bengio ：蒙特利尔大学教书，微软公司战略顾问，他推动了RNN算法的发展，使RNN得到工程应用，用RNN解决了自然语言处理中的问题；

image.png

感知机：两层神经元首尾相接，组成单层神经网络，感知机是首个可以学习的神经网络，但是无法对异或逻辑进行分类，要想解决异或可分问题，至少需要两层神经网络，但是受限于当时的计算机运算能力，神经网络进入第一次寒冬；
反向传播算法：有效解决了两层神经网络的算力问题，但很快支持向量机诞生，免去了神经网络需要调节参数的不足，还避免了神经网络中局部最优的问题，成为当时研究人工智能领域的主流算法，神经网络进入第二次寒冬；
DNN和CNN：在图像识别领域中，有了惊人的表现，引发了第三次神经网络研究的兴起。