简介：今天，首席执行官指出，与您分享有关人工智能制定的决定取决于决策。如果您能够解决您现在面临的问题，请不要忘记注意此网站。让我们现在开始！
人工智能的父亲约翰·麦卡锡（John McCarthy）说：人工智能是一台创建智能机器的机器，更多的是指制造人工智能的过程。人工智能模仿人类思维方式来思考计算机能源情报的智能。人工智能基于人脑的研究，学习和工作方法，然后将研究结果作为开发智能软件和系统的基础。
人工智能的概念非常广泛，因此人工智能有很多类型。我们根据人工智能的力量将它们分为三类：
1.虚弱的人工智能
虚弱的人工狭窄智能（ANI）：虚弱的人工智能在单个方面擅长人工智能。例如，有人工智能可以击败世界冠军，但只会下棋。如果您想问一下如何更好地将数据存储在硬盘上，它不知道如何回答您。GO，Alpha Go实际上是一种薄弱的人工智能。
2.强大的人工智能
强大的人工智能，也称为通用人工智能或完整的人工智能，是指可以胜任所有人类工作的人工智能。一个可以称为强大人工智能的程序需要以下方面：推理，使用策略，解决问题，解决问题，解决问题，解决问题，解决问题，解决问题，解决问题，解决问题并在有不确定因素时制定决策能力；计划能力；学习能力；与自然语言交流的能力；整合上述能力以实现既定目标的标准。
3.超级人工智能
假设计算机程序正在不断发展，它们可能比世界上最聪明，最有才华的人更聪明，因此生成的人工智能系统可以称为超级人工智能。因为没有人知道超越人类最高水平的智慧。如果我们仍然有可能讨论强大的人工智能，那么我们仍然有可能从技术角度讨论，因此，对于超级人工智能，当今大多数人类只能从哲学或科幻小说的角度分析。
人工智能的原则是简单的描述：
人工智能=数学计算。
机器的智能取决于“算法”。从本质上讲，人们发现电路已打开和关闭，可以用1和0表示。不同的安排更改可以代表许多事物，例如颜色，形状和字母。与逻辑组件（Triode）结合，“输入（按Switch Button）-down（当前通过该线路） - 输出（轻度输出）开启）”
这个模型。
想象一下在家中的双控制开关。
为了实现更复杂的计算，它最终成为“大型集成电路” -Chip。
电路逻辑逐层嵌套。将图层封装后，更改当前状态的当前状态的方法已成为“编写编程语言”。程序员正在这样做。
程序员让计算机执行，并执行。该程序将整个过程固定为死亡。
因此，要允许计算机执行特定任务，程序员必须首先完全找出任务过程。
以Lianji电梯为例：
不要低估这台电梯，它是“智能的”。考虑它需要做什么判断：向上和向下的方向，无论是全部员工，高峰时间，停车时间是否足够，单层和双层楼等，您都需要提前考虑所有可能性，否则您将成为错误。
在某种程度上，程序员控制着世界。但是总是要亲吻这个东西。程序员太累了。您会看到他们在加时赛中有红眼睛。
因此，我想：我可以让计算机自己学习并遇到问题来解决它吗？我们只需要告诉它一套学习方法即可。
每个人都记得1997年，IBM用专门设计的计算机赢得了国际象棋冠军。实际上，它的方法是愚蠢的 - 暴力计算，该术语称为“糟糕”（实际上，为了节省计算能力，IBM手动修剪了A许多不必要的计算，例如那些明显的愚蠢国际象棋，以及针对卡的卡片的目标。Siparov的样式得到了优化）。计算机计算出每一步的每个方法，然后比较人类的国际象棋记录以找到最佳解决方案。
一句话：剧烈的奇迹！
但是当我到达这里时，我做不到。无关，力量有多么强大，有一个限制。GO的可能性远远超过宇宙中原子的总和（已知）。即使当前最强大的超级计算使用当前最强大的超级计算，它也是数万年的。在量子计算机成熟之前，不可能进行电子计算机。
因此，程序员向Alpha Dog添加了额外的算法层：
A.首先计算：在哪里计算，忽略哪里。
B.然后，以目标方式进行计算。
- 从本质上讲，仍然可以计算。如何有“感知”！
在步骤A中，如何判断“在哪里计算”？
这是“人工智能”的核心问题：“学习”的过程。
想想人类如何学习？
所有人类认知都来自观察到的现象的摘要，并根据摘要规则预测未来。
当您看到一条四腿，短发，中等大小，嘴巴和吠叫动物时。如果您是狗，您将对后来看到的所有类似物体进行分类。
但是，机器的学习方法与人类不同：
人们可以通过观察少数特征来推动最未知的人。制定者和反击。
该机器必须观察很多狗才能知道跑步。是狗吗？
如此愚蠢的机器可以期望它统治人类吗？
它只是依靠计算能力！
具体而言，其“学习”算法是“神经网络”（更多虚张声势）。
（功能提取器，总结对象的特征，然后将功能放入池中以集成，连接神经网络输出的完整连接的结束结论）
它需要两个先决条件：
1.吃很多数据以尝试和错误，并逐渐调整您的准确性；
2.神经网络层的数量越多，计算越准确（限制），所需的计算能力就越大。
因此，尽管它在多年前可用（当时称为“感知机”），但神经网络的方法。但是，由于数据和计算能力的量，它尚未开发。
神经网络听起来不仅仅是意识机的感觉。我不知道高端的去向！这再次告诉我们一个好名字对研究（BI）有多重要！
现在，两个条件都可以使用-big数据和云计算。
目前AI公共应用领域：
图像识别（安全识别，指纹，美容，图片搜索，医学图像诊断），使用“卷积神经网络（CNN）”，主要是提取空间维度的特征来识别图像。
自然语言处理（人机对话，翻译）使用“环状神经网络（RNN）”，它主要提取时间维度的特征。因为前后有一个顺序，因此单词的时间决定语义。
神经网络算法的设计水平决定了其描绘现实的能力。顶级公牛Wu Enda曾经设计了超过100层的卷积层（太多的层容易容易过度拟合问题）。
当我们深入了解计算的含义时：有一个明确的数学定律。
这个世界具有量子（随机）功能，它决定了计算机的理论局限性。实际上，计算机甚至无法产生真实的随机数。
- 机器仍然很愚蠢。
对于更多人工智能的知识，如果您想知道，您可以私下询问。
人工智能的工作原理是通过传感器（或人工输入方法）收集有关某个场景的事实。计算机将此信息与存储的信息进行比较以确定其含义。计算机会根据收集的信息计算各种可能的操作，然后预测哪些Action.computer只能解决该程序允许解决的问题的最佳效果，并且没有能力从一般意义上进行分析。
介绍：
人工智能（人工智能），英语缩写是AI，它是一门新的技术科学，研究，开发智能理论，方法，技术和应用系统，用于模拟，扩展和扩展。夫人人工智能是计算机科学的分支。它试图理解智力的本质，并生产一种可以响应人类情报的新智能机器。自然语言处理和专家系统。人工智能是一项新的技术科学，研究和开发智能理论，方法，技术和应用系统，以模拟模拟，扩展和扩展。由于人工智能的诞生，理论和技术已经越来越成熟，并且应用领域继续扩展，但没有统一的定义。夫人智能是对人类意识和思维信息过程的模拟。人工智能不是人类的智力，而是像人类一样思考，并且可能超越人类的智能。但是，这种高级人工智能可以自我思考也需要在科学理论和工程学方面取得突破。
科学简介：
1.实际申请
机器视觉：机器视觉，指纹识别，面部识别，视网膜识别，虹膜识别，棕榈线识别，专家系统，自动规划，智能搜索，定理证明，游戏，自动程序设计，智能控制，机器人技术，语言和图像毫无意义编程等
2.纪律类别
人工智能是学科的边缘，属于自然科学和社会科学的十字架。
3.参与学科
哲学与认知科学，数学，神经病学，心理学，计算机科学，信息理论，控制理论，不规则理论。
4.研究范围
复杂系统，遗传算法。
5.意识和人工智能
就其本质而言，人工智能是对人们思考的信息过程的模拟。
潮汐和潮汐的趋势，人工智能方法是归纳+解释，归纳是机器学习，解释是知识推理，解释不是很清楚。在探索中，实现人类的工具仍然非常困难。
决策和推理，数学的简单原则：
学习映射y = f（x）;x表示输入时间序列，y是目标时间序列。
业务问题应定义数据和方案y，x，并通过培训数据（即学习方法）来估计f（）参数。最佳参数通常只能由近视估算
您可以不断产生人类的正确y，以模拟人类的智慧
目前，人工智能已成为新时代的强制性课程。它不需要重复重要性，但是作为跨学科的产品，它包含的内容是巨大的，各种复杂的模型和算法更加艰巨。对于大多数新手来说，如何从人工智能开始实际上是雾蒙蒙的，例如需要哪种数学基础，是否有工程经验，在深度学习框架中应注意什么等等。
那么，我应该从哪里学习人工智能？人工智能的学习路径是什么？
Wang Tianyi教授在Ji You Time应用程序已授权的“人工智能基础课程”已获得授权。有关更多相关文章，请下载Geek Time App并订阅该列以获取它。
数学的基本知识包含处理智能问题的基本思想和方法，它也是理解复杂算法的基本要素。在对各种人工智能技术的最终分析中，各种人工智能技术基于数学模型。要了解人工智能，我们必须首先掌握必要的数学基础知识。具体来说，它包括：
线性代数：如何形成研究对象？
概率理论：如何描述统计定律？
数学统计：如何看大？
优化理论：如何找到最佳解决方案？
信息理论：如何量化不确定性？
表格逻辑：如何实现抽象推理？
线性代数：如何形成研究对象？
实际上，线性代数不仅是人工智能的基础，而且是现代数学和现代数学作为主要分析方法的基础。，线性代数的核心意义是提供一种抽象的观点来对待世界：所有事物都可以抽象成某些特征的组合，并在预设规则定义的框架下，obvers ob obsever obsever obseve obs obs obs obs obs of Domendic of Dynamic方式。
从对抽象概念而不是特定数学公式的解释中，线性代数的要点如下：线性代数的本质是将特定的事物抽象成数学对象，并描述静态和动态的特征；矢量的本质是介质中的n维线性空位点；线性转换将矢量或坐标系的变化描述为参考系统，可以由矩阵表示。矩阵的特征值和特征向量描述了变化的速度和方向。
简而言之，线性代数是用于人工智能的基本工具集，例如为高数学添加方法。
概率理论：如何描述统计定律？
除线性代数外，概率理论也是人工智能研究的必要数学基础。随着连通性学校的兴起，概率统计数据已取代了数学逻辑，并成为人工智能研究的主流工具。数据爆炸，数据爆炸-Type的增长-Type增长计算功率指数得到了增强，概率理论在机器学习中起着核心作用。
像相同的线性代数一样，概率理论也代表着一种观察世界的方式，注意力的重点是无处不在的可能性。频率学校认为优先级分布是固定的，并且模型参数必须由最大值计算。轻度估计；贝叶斯学校认为优先级分布是随机的，并且必须通过后测试概率最大化模型参数。正态分布是最重要的。随机变量分布。
数学统计：如何看大？
在人工智能的研究中，数学统计学也是必不可少的。基本统计理论有助于解释机器学习算法和数据挖掘的结果。只有做出合理的解释才能反映数据的价值。数学统计研究基于获得的数据或实验的随机现象，并对研究对象的客观定律做出合理的估计和判断。
尽管数学统计数据将概率理论用作理论基础，但两者之间的方法存在基本差异。概率理论的前提是，随机变量的分布是已知的，并且根据随机变量的特征和定律，根据该变量的特征和定律。已知分布；数学和物理统计的研究对象是未知分布的随机变量。研究方法是独立重复随机变量并重复独立观察，并根据获得的观察结果推断原始分布。
在严格但直观的事物中：可治愈的统计数据可以被视为反向概率理论。数学统计的任务是根据观察到的样本推断总体性质。推论工具是统计数据，统计数据是样本的函数，它是一个随机变量；包括点估计和间隔估计值；假设测试被随机提取的样品接受或拒绝，则通常用于估计机器学习模型的概括错误率。
优化理论：如何找到最佳解决方案？
本质上，人工智能的目标是优化：在复杂的环境和多体互动中制定最佳决策。几乎所有人工智能问题都将最终用于解决优化问题的解决方案，因此优化理论也是基本的。人工智能所需的知识。优化理论研究的问题是确定给定目标函数的最大值（最小值）是否存在，并找到目标函数的值为最大值（最小值）。如果给定目标功能被视为山脉，优化的过程是判断峰的位置并找到达到峰值路径的过程。
在正常情况下，优化问题是解决目标函数的最小值而没有约束。在在线搜索中，在寻找最小值时确定搜索方向需要使用目标函数的第一阶和第二阶指南；该算法的想法是首先确定搜索步骤，然后确定搜索方向;人工神经网络代表的灵感算法是另一种重要的优化方法。
信息理论：如何量化不确定性？
近年来，科学研究不断确认不确定性是客观世界的基本属性。换句话说，上帝确实掷骰子。不确定的世界只能由概率模型描述，这有助于信息的诞生理论。
“信息熵”的概念使用“信息熵”来解释通信源中传递的信息量的数量和效率以及通信中传递的信息数量。
简而言之，信息理论在客观世界中以不确定性处理。条件熵和信息增益是分类的重要参数；KL分散程度用于描述两个不同概率分布之间的差异。最大熵原则是分类问题的摘要。
表格逻辑：如何实现抽象推理？
1956年举行的Datmouth会议宣布了人工智能的诞生。在人工智能时期，创始人，包括约翰·麦卡锡，赫伯特·西蒙，马尔文主义者和其他未来的图灵奖奖得主，包括人类的思想。“通常，理想的人工智能应该具有抽象的学习，推理和归纳能力，并且其一般性将比解决特定问题（例如国际象棋或往事）要强得多。
如果将认知过程定义为符号的逻辑操作，则人工智能的基础是逻辑的。谓词逻辑是知识表示的主要方法；基于谓词逻辑系统可以通过自动推理能力实现人工智能；认知的本质是计算人工智能的基本概念。
“人工智能基础课程”完整的目录
本专栏将重点关注诸如机器学习和神经网络之类的核心概念，并结合当前的热学习技术来概述人工智能开发的基本轮廓和主要道路。单击我获得了学习资源
请单击输入图片说明
让我们看一下人工智能，机器学习和大数据技术应用程序的联系和差异
大数据和人工智能目前正在谈论许多主题。他们的应用变得越来越广泛，他们与我们生活的关系越来越深刻。他们中的许多人进入了普通百姓的家，例如Asuav，在线汽车租赁，自动导航，智能家居电器，E-商业建议，人类 - 机器人对话机器人等。
大数据是人工智能的基础，将大数据转化为知识或生产力。它与机器学习密不可分。可以说，机器学习是人工智能的核心，也是使机器聪明的基本方法。
本文主要介绍机器的概念，大数据，人工智能，常见架构和机器学习算法等之间的关系等，如下：
机器学习的定义
大数据和机器学习
机器学习和人工智能和深度学习
机器学习的基本任务
如何选择正确的算法
火花在机器学习方面的优势
01机器学习的定义
什么是机器学习？是否有统一或标准的定义？目前，似乎没有机器学习中的专业人员，似乎没有广泛认可的定义。关于Wikipedia机器学习的一些定义：Wikipedia：
“机器学习是人工智能的科学。该领域的主要研究对象是人工智能，尤其是如何改善经验学习中特定算法的性能。”
“机器学习是对可以通过经验自动改善的计算机算法的研究。”
“机器学习使用数据或过去的经验来优化计算机程序的性能标准。”
经常引用的英语定义是：据说计算机程序可以从经验（e）方面学习一些类别的任务（t）和绩效（P）度量，如果其在T，Asmeas的表现会随着经验E的改善而提高。
可以看出，机器学习强调了三个关键字：算法，经验和性能。处理过程如图所示。
▲机器学习处理过程
上图显示，机器学习是通过算法使数据构建模型，然后评估模型的性能。如果您满足要求，则评估指标将用于测试新数据。再次进行此类周期，并最终获得令人满意的结果。
02大数据和机器学习
我们已经进入了大数据时代，生成数据的能力是前所未有的，例如互联网，移动网络，物联网，数千个传感器，可穿戴设备，GPS，GPS等，例如Hadoop和Spark Technology存储和处理大数据以提供有效的方法。
数据是信息和基础，并且有大量的信息，知识，法律不容易被我们的感官等识别。如何揭示这些信息，规则和趋势正在成为企业带来高回报的热点。
机器学习的任务是根据大数据量发现和有用的信息。它处理的数据越多，机器学习就能显示出优势的越多。过去，许多无法解决或处理机器学习处理的问题。通过提供大数据，它是解决或大大提高性能的绝佳解决方案。用于测试，天气预测等。
03机器学习，人工智能和深度学习
人工智能和机器学习的两个技术术语现在已广泛流传，已成为当前的热门单词。但是，它们之间有什么区别？什么是相同或相似的地方？尽管人工智能与机器学习高度相关，但这并不相同。
人工智能是计算机科学的一个分支。目的是开发具有智能行为的机器。目前，许多大型公司正在努力开发这种机器学习技术。他们都在试图让计算机学习人类行为模式，以在许多人眼中促进下一次技术革命 - 像人类一样“思考”。
在过去的10年中，机器学习为我们带来了无人驾驶汽车，实用的语音认可，有效的在线搜索等等。
对于许多机器学习，功能提取并不是一个简单的问题。在一些复杂的问题上，在手动方法中设计有效的功能通常需要大量时间和精力。
深度学习解决方案的核心问题之一是将简单的功能自动结合到更复杂的功能中，并使用这些组合的功能来解决问题。深度学习是机器学习的分支。除了学习特征和任务之间的关联外，它还可以自动从简单特征中提取更复杂的特征。下图显示了深度学习与传统机器学习之间的差异。如图所示，深度学习算法可以学习更复杂的功能从数据中表达出来，使最后一步的重量学习更加容易有效。
▲比较机器学习和深度学习过程
请单击输入图片说明
早些时候，我们引入了机器学习，人工智能和深度学习。他们之间有什么关系？
▲人工智能，机器学习与深度学习之间的关系
请单击输入图片说明
人工智能，机器学习和深度学习是非常相关的领域。上图说明了它们之间的一般关系。人工智能是一个非常广泛的问题。机器学习是解决此类问题的重要手段。深度学习是机器学习的一个分支。在许多人工智能问题上，通过传统机器学习方法的瓶颈打破了深度学习方法，并促进了人工智能的快速发展。
04机器学习的基本任务
机器学习基于数据并获得新知识和新技能。有许多任务，分类是其基本任务之一。类别是将新数据分为适当的类别。它通常用于类别的目标特征。如果目标特性是连续的，则经常使用回归方法。返回是对新目标特征的预测，它是使用机器学习的广泛方法之一。
分类和回归首先是基于标签值或目标值建立的模型或规则，然后使用这些目标值形成的这些模型或规则来识别或预测新的数据。任何方法都是监督和学习。通过监督学习，学习，无监督的学习，无监督的学习不会指定目标值或目标值未经事先知道。
点击我获得学习资源
除了两种最常见的监督和学习方法，无监督的学习之外，还有一些方法，例如半学者和学习，加强学习，我们将不会在这里发展。下图显示了这些基本任务之间的关系。
▲机器学习的基本任务之间的关系
请单击输入图片说明
05如何选择正确的算法
当我们收到数据分析或采矿的任务或需要时，如果要使用机器学习来处理，则第一个任务是根据任务或需求选择适当的算法。哪种算法更合适？分析的一般步骤是：
▲选择算法的一般步骤
请单击输入图片说明
充分了解数据及其特征有助于我们更有效地选择机器学习算法。使用上述步骤，可以在一定程度上减少算法的范围，以便我们选择更少的弯路，但是就哪种算法选择了哪种算法，通常没有最好的算法或算法可以给出最好的结果。在执行项目的过程中，此过程通常需要多次尝试，有时需要不同的算法。方法，然后继续在此基础上进行优化，您通常会产生意外的效果。
结论：以上是首席CTO的相关内容，内容涉及人工智能的相关内容依赖于制定的决定。希望它对您有所帮助！如果您解决了问题，请与更多关心此问题的朋友分享?