1.1 人工智能、机器学习与深度学习

人工智能 > 机器学习 > 深度学习

即，人工智能包括机器学习，机器学习包括深度学习

1.1.1 人工智能

人工智能的定义如下：努力将通常由人类完成的智力化任务自动化

人工智能诞生于20世纪50年代，例如早期的国际象棋程序。这是20世纪50年代到80年代末人工智能的主流范式。20世纪80年代的专家系统热潮中，这一方法的热度到达了顶峰。

符号主义人工智能适合用来解决定义明确的逻辑问题，但是难以给出明确的规则来解决更加复杂、模糊的问题，比如图像分类、语音识别和语言翻译。这就是机器学习。

1.1.2 机器学习

在经典的程序设计中，人们输入的是规则（即程序）和需要根据这些规则进行处理的数据，系统输出的是答案。
利用机器学习，人们输入的是数据和从这些数据中预期得到的答案，系统输出的是规则。这些规则随后可应用于新的数据，并使计算机自主生成答案。

机器学习系统是训练出来的，而不是明确地用程序编写出来的。

机器学习（尤其是深度学习）呈现出相对较少的数学理论（可能太少了），并且是以工程为导向的。这是一门需要上手实践的学科，想法更多地是靠实践来证明，而不是靠理论推导。

1.1.3 从数据中学习表示

机器学习算法在做什么？我们需要以下三个要素来进行机器学习

• 输入数据点
• 预期输出的示例
• 衡量算法效果好坏的方法

机器学习模型将输入数据变化为有意义的输出，这是一个从已知的输入和输出示例中进行“学习”的过程。因此，机器学习和深度学习的核心问题在于有意义地变换数据，换句话说，在于学习输入数据的有用表示——这种表示可以让数据更接近预期输出。

机器学习中的学习指的是，寻找更好数据表示的自动搜索过程。

所有的机器学习算法都包括自动寻找这样一种变换：这种变换可以根据任务将数据转化为更加有用的表示。机器学习算法在寻找这些变换时通常没有什么创造性，而仅仅是遍历一组预先定义好的操作，这组操作叫做假设空间。

这就是u机器学习的技术定义：在预先定义好的可能性空间中，利用反馈信号的指引来寻找输入数据的有用表示。这个简单的想法可以解决相当多的机智能任务，从语音识别到自动驾驶都能解决。

1.1.4 深度学习之“深度”

深度学习是机器学习的一个分支领域：它是从数据中学习表示的一种新方法，强调从连续的层（layer）中进行学习，这些层对应于越来越有意义的表示。深度学习中的深度指的并不是利用这种方法所获取的更深层次的理解。

参考
《Python深度学习》