1 人工智能和机器学习
在注释开局之前，先请大家看一张人工智能、机器学习、深度学习相关图，如下图1.1所示
图1.1 人工智能、机器学习、深度学习相关图
如今咱们带着一个疑问——“你心目中的人工智能是什么样的？”，咱们往下看或者单调的文字就会变得幽默了。
人工智能之父——“艾伦·麦席森·图灵”提出了一种用于判定机器能否具有智能的实验方法，即图灵实验。此准则说：假设一团体经常使用恣意一串疑问去征询两个他不能看见的对象：一个是反常思想的人；一个是机器，假设经过若干征询他不能得出实质的区别，则他就可以以为该机器业也具有了人的“智能”。
人工智能最早的运行——在二战时期，图灵曾协助英国军方破译德国驰名的明码系统Enigma，为改动二战盟军的大东洋战场战局立下丰功伟绩。将英国战时情报中心每月破译的情报数量从39000条优化到80条，让二战至少提早完结了几年。感兴味的小同伴可以观看相关的电影“模拟游戏”。这里就不再提及。
机器学习：机器学习是一门多畛域交叉学科，触及概率论、统计学、迫近论、凸剖析、算法复杂度通常等多门学科。专门钻研计算机怎样模拟或成功人类的学习行为，以失掉新的常识或技艺，从新组织已有的常识结构使之始终改善自身的性能。它是人工智能**，是使计算机具有智能的基本路径。
机器学习实质上就是自创了咱们人类的学习方法，例如：人的绝大局部智能是经过先天训练和学习失掉的，并不是天生就具有的，重生儿刚出世的时刻没有认知才干，在生长的环节中始终失掉消息，对大脑构成抚慰，从而建设认知才干。给孩子建设“苹果”、“橙子”的形象概念，咱们就须要始终地带他意识很多“苹果”、“橙子”的实例和图片，建设起他对“苹果”、“橙子”的认知。
机器学习中的经典算法开展史
在这里就只拿被称为机器学习天花板的SVM经典算法来说明一下机器学习的成功原理吧！
还是老样子，咱们带着实践疑问来了解SVM这样会愈加的明晰。比如给你一堆“猫”和“狗”的图片，让你将“猫”和“狗”区分识别进去，你会怎样做呢？
像这些图片，咱们由于早早的建设起了对“猫”和“狗”的认知，所以咱们就能很轻松的分类进去，但是咱们没多少人情愿做这种单调无趣的上班，咱们无机器，何不训练机器来协助咱们成功这种便捷无趣的上班呢？
2 数字图像和模拟图像
在给大家揭开机器学习和深度学习的奥秘面纱之前，先引见一下图像处置中的最关键的一项——“图像”。图像如今大抵可分为“模拟图像”与“数字图像”。
模拟图像：又称延续图像，是指在二维坐标系中延续变动的图像，即图像的像点是有限浓密的，同时具有灰度值（即图像从暗到亮的变动值）。延续图像的典型代表是由光学透镜系统失掉的图像，如人物照片和风物照片等，有时又称模拟图像。用胶卷拍出的相片是模拟图像，依据胶卷洗一寸的照片与洗二寸的照片，不影响视觉效果。但模拟图像蕴含的消息量渺小，而咱们通常须要经常使用计算机对图像启动处置，所以须要由有限行和有限列组成数字图像。如图2.1所示：
其中白色的点咱们可以以为是“猫”，蓝色的点咱们以为是“狗”。咱们经过上述的特色可以显著的看出这红点和蓝点之间存在距离！而咱们让机器能够找出一个线将红点和蓝点分分开来就可以让机器来协助咱们识别图片究竟是猫还是狗啦！（详细算法不过多引见，感兴味的可以百度SVM）分类效果如下图所示：
咱们可以看到图中有一条实线，新的图片经过计算后结果在实线上面的咱们就以为它是蓝色的点为“狗”，反之则是白色的点也就是“猫”，这是一个便捷的二分类，以此类推，咱们可以成功多分类！如图所示：
图2.7 SVM三分类线
由这个“猫”和“狗”的分类咱们基本可以失掉机器学习处置疑问的流程：
3 深度学习
似乎机器学习是在人工智能的基础开展来的一个分支，深度学习则是在机器学习的基础上开展来的一个分支。
深度学习也被称为人工神经网络，它是建设在咱们关于自身认知水平上的产物，就拿下图动物钻研成绩来说，咱们经过眼睛来搜集消息，经过神经元网络来传递给大脑，最后得出咱们观察到的结果。
图3.2 人体神经网络结构图
深度学习也正似乎于此，咱们还是举个便捷的实例来剖析一波深度学习的上班模式。如今给咱们的疑问是一个便捷的手写数字识别0-9这10个数字。让咱们能够正确的识别这10个数字。环节其实比拟便捷：
咱们首先将手写数字图片搜集起来，将相对应的数字图片启动相对应的标签。
将图片和标签都通知计算机，让其在构建好的卷积网络中训练学习。
对学习好的模型启动验证极端运行。
为什么说深度学习为人工神经网络。接上去咱们可以看看这幅图片。
图3.4 手写数字神经网络图
Input layer输入层可以看成输入的图片，空心圆圈咱们暂且了解为像素好了，这些像素经过两边hidden layer暗藏层（可以看成神经元的传输）的运算，最后输入到output layer输入层为10个数，这10个数经过运算范围普通为0-1之间，从上到下可以看成为0-9这是个数字的概率值。例如：咱们把一张数字9的图片放入训练好的模型中，最后到output layer的时刻这十个数的数组为[0.12，0.32，0.33，0.10，0.01，0.01，0.01，0.01，0.15，0.99]
区分示意这计算机以为这张图片是0的概率是0.12……9的概率为0.99。那么咱们计算时机筛选概率最大的0.99对应的标签来以为这张图片就是9。这些hidden layer的暗藏层似乎咱们的神经网，起到智能提取特色运算的作用，并且从而对比传统机器学习算法具有更高的准确率。
那么深度学习就必定比传统机器学习好吗？其实不然，他们都各有优劣。
深度学习好处：
1、精准度高（超出传统机器学习一截），实用性广。
2、端到端，隐秘性强（hidden layer暗藏层就相当于一个小黑盒，不到最后的输入结果你不知道目前到了哪一步）。
3、不须要手动提取特色。
深度学习缺陷：
1、计算量大、配件要求高（网络层数越多计算量越大）。
2、训练时期久，通用性不强（训练的它能识别，不训练的它或者不知道）。
3、不成熟（全环球的专家都在钻研hidden layer暗藏层，咱们人类居然能造出不知道详细原理的物品，只知道它能这样成功配置）。
机器学习好处：
1、通用性强。
2、配件要求低。
3、运算时期短。
4、比拟成熟。
机器学习缺陷：
1、过火依赖于二值化。
到了这里想必大家对人工智能、机器学习和深度学习有了必定的了解，回到最后的疑问“你心目中的人工智能是什么样的呢？”，或者如今的技术和你想的略有差距。但未来必定有像电影里的那种人工智能机器人（好了，偏离主题了）