简介：今天，首席CTO注释与您分享什么是人工智能英文笔记。如果您可以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（AI），机器学习和深度学习都被使用了。这三个在击败Alphago的Li Shizhen的过程中发挥了作用，但它们不是同一回事。
今天，我们使用最简单的概念循环来显示其中三个的关系和应用。
如下图所示，人工智能是最早，最大和最外部的同心圆。其次是机器学习，不久之后；内部内侧是深度学习，这是当今人工智能爆炸的核心驱动力。
在1950年代，人工智能曾经是非常乐观的。在开发了一些较小的人工智能子集之后，就开始进行机器学习，然后深度学习。深度学习是机器学习的子集。深度学习造成了前所未有的巨大影响。
从概念提议到繁荣
1956年，几位计算机科学家聚集在达特茅斯会议上，并提出了“人工智能”的概念。随着人工智能，人工智能一直在人们的脑海中徘徊，并在科学研究实验室中慢慢孵化。波兰人或人类文明令人眼花未来的预测；或被用作技术疯子将其扔进垃圾场的疯狂。FranklySpeake，在2012年之前，这两种声音仍然同时存在。
在过去的几年中，尤其是自2015年以来，人工智能开始爆炸。这很大程度上是由于GPU的广泛应用，使平行计算更快，更便宜且更有效。数据洪流（大数据）组合拳头的突然爆发也使图像数据，文本数据，交易数据和映射数据。
让我们慢慢弄清楚计算机科学家如何从最早的一些迹象中开发出人工智能，以支持每天数亿用户可以使用的应用程序。
人造智能 - 机器给出的智力
Kingme：可以进行检查的过程是早期人工智能的典型应用，该智力在1950年代引发了一波。国际象棋可以向后移动）。
早在1956年夏天的会议上，人工智能的开拓者就梦想着他们使用了当时刚刚出现的计算机来构建复杂的人，并且具有人类智慧的同样的本质。这就是我们在谈论的内容。”通用情报”。这款无所不能的机器具有我们所有的看法（甚至比人更多），我们所有的理性都可以像我们一样思考。
人们总是在电影中看到这样的机器：友好的C-3PO，例如《星球大战》；邪恶，例如terminator.strong人工智能现在仅存在于电影和科幻小说中。原因并不难理解。我们还没有意识到它们，至少还没有。
我们现在可以实现的目标通常被称为“ nrarkai”。企业人工智能是一项可以执行特定任务的技术，以及可以比其他任务更好地执行特定任务的人。例如，Pinterest上的图像分类；或Facebook面部识别。
这些是实践中人工智能薄弱的例子。这些技术意识到了人类智能的某些特定部分。但是它们如何实现？这种智能来自哪里？这将我们带到了同心圈的内部机器学习。
机器学习 - 一种实现人工智能的方法
SPAMFREEDIET：机器学习可以帮助您在电子邮箱中过滤（大多数）垃圾邮件。英国农业尚未从第二次世界大战的损失中恢复过来，因此它从美国进口了很多。这种廉价的肉类产品。有传言说它不是美味的，而且充满了市场。）
机器学习的最基本方法是使用算法来分析数据，从中学习，然后对现实世界中的事件做出决策和预测。与解决特定任务和硬编码的传统软件程序一样，机器学习使用了大量数据以“训练”，并了解如何通过各种算法从数据中完成任务。
机器学习直接来自早期人工智能领域。传统算法包括决策树学习，衍生逻辑计划，聚类，增强学习和贝叶斯网络。我们都知道，我们还没有意识到强大的人工智能。甚至达到人工智能薄弱。
机器学习最成功的应用程序字段是计算机视觉，尽管仍然需要大量的手动代码来完成工作。People需要编写分类器和边缘检测过滤器，以允许程序识别对象的启动何方和在哪里结束；编写形状检测程序，以确定检测对象是否具有八个边；编写分类器来识别字母“ st-o-p-p-p-p-p”“”。使用上述手动分类器，人们最终可以开发算法来感知图像并确定图像是否是停车招牌。
这个结果非常好，但是不是那种可以使人们振兴的成功。成功。这就是为什么不久前计算机视觉的性能与人们的功能没有接近的原因。它太僵硬了，太容易受到环境条件的影响。
随着时间的流逝，学习算法的发展改变了一切。
深度学习 - 一种实现机器学习的技术
Herdingcats：从YouTube视频中寻找猫的图片是第一次展示深度学习出色表现。用于描述混乱的情况和任务很难完成。）
人工努力是早期机器学习中的重要算法，它已经经历了数十年的风和雨水。神经网络的原理受到我们脑部 - 杂交连接神经元的生理结构的启发。与大脑中的神经元不同，它可以连接到一定距离内的任何神经元。人工神经网络具有离散的层，连接和数据传播方向。
例如，我们可以将图像切入图像块并输入神经网络的第一层。第一层的EAVEN神经元将数据传递到第二层。第二层神经元也完成了类似的作业，将数据传递给第三层，以便将最后一层推到最后一层，然后生成结果。
每个神经元分配其输入的重量。此权重的正确性与其任务直接相关。最终输出由这些权重确定。
我们仍然以停止徽标为例。断开所有停止招牌图像的元素，然后使用神经元来“检查”：八角形的形状，火车的红色 - 类似红色的红色，生动的字母，典型的字母交通标志，功能等的大小和安静的运动。神经网络的任务是结论，是否是停止信号。神经网络将根据所有权 - “概率向量”提供周到的猜测。
1.学习并掌握一些数学知识
较高的数学是基金会的基础。所有科学和工程学科都需要此底漆。数据挖掘，人工智能和模式识别（例如使用数据传输）也需要各种微型利益计算。
线性代数很重要。一般而言，线性模型是您必须考虑的第一个模型。另外，它可能会处理多维数据。您需要使用线性代数简单地清除问题，为分析和解决方案奠定基础。
概率理论，数学统计和随机过程是必不可少的。数据中涉及的问题几乎是不可避免的。随机变量的引入是合乎逻辑的，相关的理论，方法和模型非常丰富。许多机器学习算法基于概率理论和统计数据，例如贝叶斯分类器和高斯马素。
然后是一种优化理论和算法。除非您的问题是准备好制作公式，例如两个方程式，否则您将不得不面对各种看起来不熟练但解决的问题。优化将是您的GPS.Point。
可以提取上述知识，并且可以为特定应用补充相关的知识和理论。对于测量理论，也有信号处理和数据结构。
2.掌握经典的机器学习理论和算法
如果您有时间为自己创建机器学习的知识图，并努力掌握每个经典的机器学习理论和算法，我简单地总结了以下内容：
1）返回算法：公共回归算法包括普通次数正方形，逻辑回归，逐步回归，多适应性返回样品和局部点点和局部分散。（本地估计的散点图smoolhing）
2）基于示例的算法：常见算法包括K-Nearest邻居（KNN），学习矢量量化（LVQ）和自组织映射算法（SOM）；
3）基于正则化方法：常见算法包括：脊回归，绝对收缩和选择算子（LASSO）和弹性网络；
4）决策树学习：常见算法包括：分类和返回树（购物车），ID3（迭代二分法3），C4.5，Chi-squared Automatic International（Chaid），Tablerandom Forest），多个自适应回归样本（火星）和梯度促销机（GBM梯度提升机）；
5）基于贝叶斯方法：常见算法包括：简单的贝叶斯算法，平均单依赖关系依赖性估计器（AODE）和贝叶斯信仰网络（BBN）；
6）基于核的算法：常见算法包括支持向量机（SVM），径向碱基功能（RBF）和线性小节分析（LDA）等；
7）群集算法：常见集群算法包括K-均值算法和预期的最大化算法（EM）；
8）基于相关规则的学习：常见算法包括Apriori算法和Eclat算法等；
9）人工神经网络：重要的人工神经网络算法包括：感知脑网络，背部传播，Hopfield网络，自组织截图（SOM）。LEARNNNENVERLEN VERALN矢量量化，LVQ）;
10）深度学习：常见的深度学习算法包括：限制性鲍尔茨曼机器（RBN），深信念网络（DBN），卷积网络，堆叠的自动编码器）；
11）降低尺寸的算法：常见算法包括主要组件分析（PCA），最小两级回归（PLS），sammon映射，多维量表，投射Projectprojectionporksuit等；
12）集成算法：常见算法包括：增强，自举聚集（装袋），adaboost，堆叠概括（混合），梯度启动机（GBM），随机森林。
3.掌握一个编程工具，例如Python
一方面，Python是一种脚本语言，很简单。您可以编写记事本，并且可以在编写控制台后运行。此外，Python非常有效，效率高于Java，R和Matlab。尽管MATLAB中有许多数据包，但最低效率是这四个中的最低效率。
4.了解该行业中的最新发展和研究结果，例如经典论文，博客，阅读笔记，微博和微信信息有关主要牛的信息。
5.购买GPU，找到开源框架，训练自己训练深层神经网络，乘法代码，并做更多与人工智能有关的项目。
6.选择感兴趣或深入工作的字段
人工智能有许多方向，例如NLP，语音识别，计算机视觉等。生活是有限的，您必须选择更深入的研究才能成为人工智能领域的大牛。
根据百度百科全书的定义，人工智能（人工智能），英语缩写是AI。它是一门新的技术科学，它研究和开发用于模拟，扩展人员的理论，方法，技术和应用系统。
百度百科全书对人工智能的定义在人工智能的详细说明中说：人工智能是计算机的分支。自1970年代以来，它被称为世界上三种主要的切割边缘技术之一（空间技术，能源技术，人工智能）。它也被认为是三种主要的切割技术（基因工程）之一，纳米的科学，人工智能）在21世纪。这是因为它在过去三十年中取得了快速发展，在许多学科领域已广泛使用，并取得了卓有的成果。人工智能逐渐成为一个独立的分支。
总而言之，人工智能是一项技术。
随着聪明的时代逐渐到来，一些基本概念并不知道它们确实过时了。作为一个积极学习的年轻人，我想总结一下便条。该注释将记录AI领域中许多AI领域的术语和概念。由于能力有限，我希望每个人都能启发我。如果您不需要遵循-up，我会慢慢改进它~~。目录在第一个字母的字典中进行了暂定分类。它可以用作目录，将来可以检查一下~~建议收集和喜欢哈哈哈
iSdividing Line ----------------------------------------------------------------------------------------------------------------------------------
A
准确性（帐户）
分类模型预测是准确的。
在第二个分类问题中，精度率定义为：准确性=（true Arientives +True负面）/所有样本
在多分类问题中，精度定义为：account = recriptpredicts/ash hast hast
活动功能
一个函数，将神经元第一层的第一层中所有神经元激活值的加权和输入输入到非线性函数中，然后将下一层神经元的输入（例如relu或乙状结肠
Adagrad
复杂的梯度滴算法，重新调整每个参数的梯度，并有效地为每个参数提供一个单独的学习率。
AUC（曲线区域下方）
所有可能的分类阈值的标准。ROC曲线下的区域表示类别随机预测该类别的真实类（误报）概率。
对抗示例（对抗样本）
对抗网络（对抗网络）
人工通用情报/AGI（通用人工智能）
注意机制（注意机制）
自动编码器（自我编码器）
自动摘要（自动摘要）
平均梯度（平均梯度）
平均水平（平均合并）
b
反向比例（反向传播/bp）
首先，在向前扩散的过程中计算每个节点的输出值的重要算法要减少。
基线（基线）
它用作比较模型的简单模型。
批次（批次）
模型培训中使用的样本集（指一个梯度更新）。
批量大小
批处理中的样品数量。例如，SGD的批次大小为1，而迷你批次的批次大小通常在10-1000之间。
偏见（偏见）
与原点的拦截或偏移。
二进制分类
一个类别任务，输出两个相互排斥类别之一，例如垃圾邮件检测。
单词袋/弓
基础学习者（基础学习者）
基础学习算法
贝叶斯网络
Bechmark
信念网络（信仰网络）
二项分布
Boltzmann机器（Boltzmann机器）
自助抽样方法 /可重复采样 /有背景抽样
广播
C
类别（类）
所有类似属性的目标值是标签。
分类（分类）
机器学习模型之一将数据分为两个或多个离散类别。
收敛
在训练过程达到的一定状态下，在每次迭代后的每次迭代中都确定了训练损失和验证损失。
CONCEX功能（概念）
在字母U形状或碗形状中大致出现的功能。但是，在退化的情况下，凸功能的形状就像一条线一样。
费用（成本）
损失同义词。深度学习模型通常定义自己的损失功能。
跨熵
促进对数损失函数在多种类别的分类中促进。交叉熵定量的两个概率分布之间的差异。
条件熵
有条件的随机字段/CRF
信心
共轭方向
共轭分布
共轭梯度
卷积神经网络/CNN
余弦相似
成本功能
曲线拟合
d
数据集（数据集）
样品采集
深层模型
一个包含多个隐藏层的神经网络。深度模型取决于可以训练的训练。用宽度模型（WideModel）对比。
辍学正规化
训练神经网络时的一种有用的正则化方法。Dropout的正则化过程是在单个梯度计算中删除在网络层中随机选择的固定单元。删除越多，正则化越强。
数据挖掘
决策树/判断树（决策树）
深神经网络/DNN
Dirichlet分布
区分模型
下取样（下取样）
动态编程
e
提早停止（提早停止）
一种常规的方法，请在训练损失完成之前停止模型训练过程。当验证设置的丢失开始上升时，当概括性能变得更糟时，应使用早期停止方法。
嵌入
一个是连续性特征的明确特征，通常是指将高维矢量转换为低维空间。
经验风险最小化（经验边缘）
选择最小化训练数据损耗函数的过程。与结构风速最小化相反。
合奏
全面考虑多个模型预测。您可以通过以下或几种方法创建一种集成方法：
设置不同的初始化；
设置不同的超级重塑量；
设置不同的整体结构。
深度和广度模型是一种集成。
样本（示例）
一系列数据集。一个示例包含一个或多个功能，或者可能是标签。请参见标签exkample和未平行的示例。
F
假阴性（FN）
模型错误的预测是一个负示例。例如，该模型推断电子邮件为非SPAM（负类），但实际上此邮件是垃圾邮件。
假阳性（FP）
模型错误的预测是一个正类别的示例。例如，该模型确定电子邮件为垃圾邮件（正），但实际上，此邮件是非SPAM。
误报率（FP率）
ROC曲线中的X轴。FP速率的定义是：误报率=假阳性数字/（假阳性数字+真实负数）
功能工程
训练模型时，挖掘模型效果的特征。
FedForward神经网络/FNN
G
概括（概括）
是指模型对新见过的数据进行正确预测性预测的能力，而不是用于培训的数据。
一般线性线性模型
最小佛法回归模型的促进/概括基于高斯噪声，并与其他类型的模型（基于其他类型的噪声，例如Poosheng噪声或类别噪声）进行了比较。
逻辑返回
多类别回归
最低王特朗普返回
梯度（梯度）
在机器学习中，梯度是模型函数的部分指南向量。梯度指向较陡的上升路线。
梯度剪裁
在梯度之前，修改值，梯度截断可以帮助确保值的稳定性并防止梯度爆炸。
梯度下降
为了最大程度地减少相关参数的梯度损耗函数和模型的损耗函数，该值取决于训练数据。调整梯度下降的参数，并逐渐接近权重和偏见的最佳组合，以最大程度地减少损失函数。
图（图）
图表示操作中的节点中的节点。节点的连接是指向操作的，表明操作的结果（一个张力）（一个张力）（一个操作号）给出了另一个操作。使用张紧板可视化tensorboard计算图。
高斯内核功能
高斯混合物模型
高斯过程
概括错误（概括错误）
生成模型
遗传算法/GA
吉布斯采样
Gini指数（Gini指数）
梯度下降
H
灵感（启发式）
问题的实际和非最佳解决方案可以从学习经验中取得足够的进步。
隐藏层
神经网络位于输入层（即特征）和输出层（即预测）之间的合成层中。一个神经网络包含一个或多个隐藏层。
超参数
在连续训练模型中可以扭曲的“旋钮”。例如，与模型的自动更新相比，学习率是带有参数的superstructure.compare。
硬利润
隐藏的马尔可夫模型/嗯
分层聚类
假设检验
我
独立且完全分布（I.I.D）
从不变的分布中获得的数据，并且获得的每个值并不取决于先前获得的值。是机器学习的理想情况 - 一种有用但数学结构，在现实世界中很有用。
推理
在机器学习中，通常是指将训练模型应用于无与伦比的BET的预测的过程。在统计数据中，可以推断出根据观察到的数据拟合分布参数的过程。
输入层（输入层）
神经网络的第一层（接收输入数据）。
国际协定
它用于衡量任务中人类分数的意见的指标。如果意见不一致，则可能需要改进任务描述。有时它也称为通道间协议或间误要求。
增量铅（增量铅）
独立组件分析/ICA）
独立的子空间分析
信息熵（信息熵）
信息增益
j
JS分散（Jensen-Shannondivergence/JSD）
k
内核支持向量机（kernelsupport矢量机/ksvm）
一种分类算法旨在通过将输入数据向量最大化为更高维度来最大化正面和负类之间的边缘。KSVM将特性从内部映射到一百万个维空间。KSVM使用的损耗函数称为铰链损耗。
内核法
内核技巧
k折交叉验证（k折交叉验证）
k -meansclustering
K-Neirest邻居Gorithm/knn）
知识图
知识库
知识表示
l
L1损失功能（L1损失）
损耗函数是根据模型预测值的绝对值和模型真实值的差异来定义的。L1损耗函数对异常值的敏感性不如L2损耗函数。
L1正则化
正规化，根据权重的绝对值之和的总和。在依赖稀疏特征的模型中，L1正则化有助于促进（几乎）无关的特征接近0，从而从模型中删除了这些功能。
L2损失（L2损失）
看到正方形的损失。
L2正则化
正规化，根据权重总和的惩罚。L2正则化有助于促进异常值的重量接近0，而无需更接近0。。
标签（标签）
在监督学习中，示例的“答案”或“结果”。带有数据集标记的示例包含一个或多个功能和一个标签。在垃圾邮件的数据浓度中，特征可能包括主题，哪个电子邮件本身，标签可以是“垃圾邮件”或“非垃圾邮件”。
标记为示例
在监督培训中，从标记样本中学到了模型。
学习率
当梯度降低训练模型时使用的标量。在每次迭代中，梯度滴算法使学习率乘以梯度，并且产品称为梯度步骤。学习率是重要的上层结构。
最小二乘回归
通过L2损失训练的线性回归模型被最小化。
线性回归（线性回归）
输入功能的线性连接输出连续性的回归模型。
逻辑回归（逻辑）
将Sigmoid函数应用于线性预测，并为分类问题中的每个离散标签值生成模型。尽管逻辑回归通常用于二进制分类问题，但它也用于多类别分类问题（在这种情况下，在这种情况下，逻辑返回称为“多类逻辑返回”或“多项式回归”。
计算损失函数（对数丢失）
二进制逻辑回归模型中使用的丢失功能。
丢失（损失）
测量模型预测和标签距离的指标，它是模型有多糟糕的指标。要确定损耗值，该模型必须定义损失函数。例如，线性回归模型通常用作损失函数，逻辑回归模型使用许多损失函数。
潜在的dirichlet分配/LDA
潜在的语义分析（潜在语义分析）
线性判别分析/LDA
长期术语内存/LSTM）
m
机器学习
使用输入数据构建（培训）预测模型项目或系统。系统使用学习模型来预测与培训数据相同的新数据。机器学习还指与这些项目或系统有关的研究领域。
均方根错误/MSE
每个样品的平均正方形损失。可以通过平方损失来计算样品数量。
小批次（迷你批次）
一小部分随机选择在迭代中运行的整个样品的一小部分选择。小块的大小通常在10到1000之间。小批次数据的估计损失比计算所有训练数据的损失要高得多。
机器翻译/MT
马尔可夫链蒙特卡洛/MCMC
马尔可夫随机字段
多文件摘要（多文件摘要）
多层次感知器/MLP
多层进发神经网络
n
南陷阱
在训练过程中，如果模型中的一个数字变为NAN，则模型中的许多或所有其他数字最终成为NAN.NAN是“ Not Anumber”的缩写。
神经网络（神经网络）
该模型从大脑中获得灵感，由多层组成（至少一个是隐藏层），每个层都包含一个简单的连接单元或神经元，然后是非线性的。
神经元（神经元）
神经网络中的节点通常输入多个值以生成输出值。神经元通过将激活函数（非线性转换）应用于加权和加权输入值来计算输出值。
正常化
该值的实际间隔将转换为标准范围，标准间隔通常为-1至+1或0至1。将这些值标准化为间隔-1至 +1.查看葱。
numpy
Python提供了一个具有高效率数组操作的开源数学库。PANDAS基于Numpy。
天真的贝叶斯（公园贝叶斯）
天真的贝叶斯分类器
命名实体识别（命名实体识别）
自然语言生成/NLG（自然语言生成）
自然的Laanguage处理（自然语言处理）
规范
o
客观的
算法尝试优化目标函数。
单速编码（一式编码）
一个稀疏的向量，其中：一个元素设置为1，所有其他元素都设置为0。
一对（一vs.-all）
给定N可能的解决方案的分类问题。一对多溶液包括n个独立的二进制分类器 - 每个可能的结果具有二进制分类器。：
动物和非动物
蔬菜和不可蔬菜
矿物质和非电工
过度拟合
创建的模型与培训数据非常匹配，因此该模型无法预测新数据的正确预测
过采样（超采样）
p
熊猫
基于列的数据分析API.MANY机器学习框架，包括TensorFlow，支持PANDAS数据结构作为输入。请参阅PANDAS文档。
范围
例如，通过机器学习系统训练的变量。
性能（性能）
软件工程中的传统含义：软件运行的速度 /高效？
机器学习中的含义：模型的准确性是什么？也就是说，模型的预测有多好？
困惑
衡量完成模型任务的程度。例如，假设您的任务是阅读用户在智能手机上输入单词的前几个字母，并提供可能的完整单词的列表。此任务的混乱（p）是列出您需要列出的数量，其中包含用户实际想要输入单词的单词列表。
过程（管道）
机器学习算法的基础架构包括收集数据，将数据放入培训数据文件，培训一个或多个模型以及最终输出模型。
主成分分析/PCA（主要组件分析）
精度（检查率 /准确性）
先验知识（优先知识）
问
准牛顿法
r
召回率（召回）
返回模型
输出持续时间的模型（通常是浮点数 - 点号）。分类模型输出离散值。
正则化
对模型复杂性的惩罚有助于防止过度拟合。正则化包括不同的类型：
L1正则化
L2正则化
辍学正规化
早期停止（这不是正式的正规化方法，但可以有效限制）
正则率
标量顺序由lambda表示，是指常规函数的相对重要性。从以下简化损失公式，可以看到正则化率的作用：
最小化（损耗函数 +λ（正则化函数））
提高正则率可以降低过度拟合，但可能会降低模型的准确性。
重新定位
将数据映射到有用功能的过程。
主题工作特征曲线
它反映在不同分类阈值上实际速率和假阳性比率的曲线中。请参阅AUC。
复发性神经网络
递归神经网络（递归神经网络）
强化学习/RL（增强学习）
重新采样
压抑铅
随机森林算法（随机森林算法）
s
缩放（缩放）
功能工程中通常使用的操作用于控制特征值间隔，以使其与数据集的间隔匹配。1.赋予功能间隔为0到500，然后您可以通过除以500的每个值来放大特征间隔。请参阅正则化。
Scikit-Learn
流行的开源机器学习平台。URL：。
序列模型（序列模型）
输入具有序列依赖性的模型。例如，基于以前观看的视频序列预测下一个视频。
Sigmoid功能（Sigmoid函数）
SoftMax
提供多个类别分类模型中每个可能类的概率的函数。总概率为1.0。例如，SoftMax可以检测到图像为0.9，CAT的概率为0.08，马的概率为0.02。（也称为Full SoftMax）。
结构风险（结构风险最小化/SRM）
该算法平衡了两个目标：
建立最预测的模型（例如最小损失）。
使模型尽可能简单（例如强和正则化）。
例如，训练集中的最小损失 +正则化模型功能是最小结构风险算法。有关更多信息，请参见。阅读以最小化经验风险。
监督机器学习
使用输入数据及其相应的标签来训练模型。模拟学生从研究和相应的答案中学习。掌握问题和答案之间的映射后，学生可以为同一主题的新问题提供答案。您可以阅读非监督机器学习。
相似度度量（相似性）
奇异值分解
软边缘（软间隔）
软边缘最大化
支持向量机/SVM（支持向量机）
t
张量
TensorFlow项目的主要数据结构。张量的量为n维数据结构（n的值很大），通常是标量，向量或矩阵。卷可以包括整数，浮动 - 点或字符串值。
转移学习（迁移学习）
你
未标记的Exmple
包含功能但没有标签的样本。没有标签样品是输入的。在半佩斯学习和无监督学习的训练过程中，通常使用标签样品。
无监督的机器学习
训练模型以在数据集中找到模式（通常没有标签数据集）。不接受的机器学习最常用于将数据分为几个类似的样本。其他无监督的机器学习的例子是主要组件分析
w
单词嵌入（单词嵌入）
单词感觉歧义
模块1：人工智能和教育（MOOC课程学习笔记）
1.了解AI的发展
1.什么是人工智能？
人工智能：包括两个方面：人工和智能，人为地是合成的和人造的。智能分为思考流派，知识阈值流派和进化。人工智能是自然科学和社会科学的跨学科学科，它整合了信息，逻辑，思维，生物学，心理学，计算机，计算机，电子机器人，电子机器人和其他学科.Basic学科是数学，指导学科是哲学。它可以从狭窄和广泛的意义的角度定义。从狭窄的角度来看，人工智能是计算机纪律的分支。这是使用计算机模拟或实现的智能。它研究如何使机器具有智能的科学和技术性（尤其是人类智能如何在计算机上实现或繁殖）。从广泛的角度来看，人工智能是研究和发展模拟，扩展和扩展动物和其他动物的智能的全面学科，以及各种机器智能和智能机器理论，方法，技术和应用系统的开发。
应用：智能快车服务，智能计划旅行计划，主题照片分析
2.人工智能的类型和类型？
根据人工智能是否可以真正实现推理，思考和解决问题，人工智能被分为薄弱的人工智能和强大的人工智能。
虚弱的人工智能：指无法创造和解决无法创建的问题的智能机器。他们实际上没有聪明和自主意识，只专注于完成特定的任务。就像搜索引擎，智能手机一样。
强大的人工智能::是指能够真正思考，意识和自我意识的智能机器。
人工智能可以分为三所学校：象征主义学校（IBM深蓝色国际象棋比赛），互联学院（Google kelipus摄像头），行为主义学校（Google Machine Dog）
3.人工智能的发展阶段
人工智能的发展阶段可以大致分为形成，发展和繁荣。
编队时期（1956-1980）：在此期间占上风。
1956年，人工智能一词首次出现在大茅斯会议上。约翰·麦卡锡（John McCarthy）提出了人工智能一词，该一词在研究领域中标记为正式出生。
1958年，提出了两层神经网络感知机。他是一个人工神经网络，当时可以通过机器学习来接受。
1965年，约翰·麦卡锡（John McCarthy）帮助麻德（Mit）从世界上第一个具有视觉传感器的机器人系统中撤出，可以识别和定位构件。
1968年，由美国斯坦福大学（Stanford Institute）开发的移动机器人Shakey具有一定的人工智能：感知，环境建模，行为计划和实施任务。开发第三代机器人。
1974-1980：在数学模型，生物原型，技术条件，人工智能停滞期中。
开发期（1980-2000）：1980年，出现了XCON的专家系统，该系统可以根据用户的需求自动选择计算机系统组件，以帮助美国数字公司节省很多成本。
1982 - 1986年：约翰·霍普菲尔德（John Hopffield）发明了Hopfield网络，该网络是一个神经网络，结合了存储系统和双系统，允许计算机以新的方式处理信息。
1986年：BP反向通信算法诞生了联系的发展。
1987-2000：再次进入槽。
繁荣时期（2000-）：1997：IBM深蓝色
2006年：Sington提出，深度学习神经网络破坏了BP开发瓶颈。
2011年：沃森（Watson）作为一名球员参加了“危险边缘”。
2012年：卷积神经网络，Google自主电机
2013年：深度学习算法识别率高达99％
2016年：Alphago
2017年：零阿尔法戈，索菲亚
其次，AI的关键技术
4.什么是机器学习？
机器学习是一门跨学科，涉及统计，系统识别，理论的近似，神经网络，优化理论，计算机科学和脑科学。研究计算机如何模拟或实现人类学习行为以获得新知识或技能。重新组织现有的知识结构，以不断提高其性能。
5.机器学习的分类？
（1）根据学习方法，它可以分为传统的机器学习和深度学习
传统的机器学习：从一些观察样本开始，尝试找到无法通过分析原理获得的法律，并在未来的数据行为或趋势上实现准确的预测。主要特征是平衡学习结果的有效性和可解释性学习模型，该模型提供了解决有限样本的学习问题的框架。用于有限的样本学习，模式分类，回归分析和概率密度估算。应用程序：自然语言处理，语音识别，图像识别，信息检索，生物信息。
深度学习：这是建立深层结构模型的学习方法。它的特征是多层神经网络。卷积神经网络（用于空间分布数据）和循环神经网络（用于时间分布数据）。
差异：病例分析：识别狗和猫等动物。
传统的机器学习需要首先定义相应的面部功能，如果没有胡须，耳朵，鼻子和嘴等，以对对象进行分类和识别。深度学习将自动找到此分类问题所需的重要功能执行对象识别。
（2）根据学习模型，它可以
监督学习：使用明显有限的培训数据集通过某些学习策略来建立模型，以实现新数据的分类。它的特征是培训样本的分类标签。特征是不需要培训样本和手动标签数据。
无监督的学习：使用无标签有限的数据描述来描述隐藏在无符号数据中的结构或定律。
强化学习：他也称为增强学习，是从环境映射到行为映射从环境到行为最大学习的学习信息，反馈被延迟，未立即生成。
（3）根据算法的特征，可以将其分为迁移学习，积极学习，进化学习
迁移学习：当您无法在某些领域获得足够的数据进行模型培训时，您可以从另一个领域获得的数据之间的关系中学习。
主动学习：通过某种算法查询最有用的未签名样品，专家标记了专家，然后通过查询样品培训分类模型提高了模型的准确性。
进化学习：优化问题的要求很少。它只需要评估解决方案的质量即可。它适合解决复杂的优化问题。它也可以直接用于多目标优化。进化算法包括粒子组优化算法和多目标优化算法。
6.什么是大数据？
大数据是指包含动态数据在内的动态数据集，包括收集，保存，管理和分析。功能是比例，高速，多样性，价值，真实性
在教育中的应用：教育数据挖掘和学习分析
教育数据挖掘是定量，分析和建模学习行为和过程的，并使用统计，机器学习和数据挖掘来分析在教学过程中生成的所有数据。
学习分析技术是对学习者及其学习环境的数据测量，收集和分析，以了解和优化学习过程和学习环境。
7.什么是知识图？
知识图是一个语义网络，将现实世界映射到数据世界，由节点和边缘组成。节点代表物理世界的实体或概念，以及实体的属性与它们之间的关系之间的关系。是现实世界中的各种关系，知识图是合理地将它们之间的关系放置。它本质上是一个语义网络，描述了客观世界之间的概念，实体，事件和关系。
从该领域的角度来看，它可以分为：特定领域的一般知识图和知识图。
应用：语义搜索，智能问答，视觉决策 - 制定支持
在教育领域的应用：在智能教学系统中，与知识图技术相关的知识点用于挖掘与答案有关的知识点，以向学习者提供更合适的指导建议。
7.什么是自然语言处理（NLP）？
自然语言处理是一个计算机科学，人工智能和语言学的领域，请注意计算机与人类自然语言之间的相互作用，并研究可以在人与自然语言之间有效沟通的各种理论和方法。
8.自然语言的处理过程？
包括两个部分：自然语言理解和自然语言产生。
9.自然语言治疗的研究领域？
研究领域进行了广泛的研究，例如：机器翻译，语义理解，问答系统。文本分析（自动组成评估系统），推荐系统
10.自然语言治疗面临的四个挑战？
不同级别的不确定性，例如单词，语法，语义，使用和语音；
新的词汇，术语，语义和语法会导致不明语音现象的不可预测性；
数据资源不足使得很难涵盖复杂的语音现象；
语义知识和复杂相关性的模糊性很难在简单的数学模型中描述。
11.机器人技术
第一个代理机器人是程序控制机器人，可以根据程序的公式重复；
第二代机器人是自适应机器人。它配备了相应的传感器，可以随着环境的变化而改变其行为，但尚未达到完全自主权的水平。
第三代机器人是智能机器人。他们有多种传感器可以处理感知的信息，控制其行为，并具有强大的适应能力，学习能力和自主功能。
智能控制方法：专家控制，模糊控制，神经网络控制，专家传输控制
12.什么是跨媒体情报？
交叉-Media：文本，图像，语音，视频和交互式属性将紧密混合。
交叉 - 媒体智能是实现机器认知外部世界的基本智能。（Pan Yunhe）
13.交叉媒体智能的关键技术？
跨 - 媒体智能检索，跨 - 媒体分析和推理，跨 - 媒体知识图构造，跨 - 媒体智能存储
14.交叉 - 媒体情报应用程序？
智能城市，医学，教育领域（可穿戴技术，大脑界面。多模式角度）
15.智能时代的教育挑战？
挑战1：如何用AI素养培养才能？
挑战2：教育经理如何重建工作流程？
挑战3：教师如何处理人工智能的影响？
挑战4：教师如何应用人工智能改变教学方法？
挑战5：学生如何使用人工智能技术来改变学习行为和方法？
挑战6：如何转换和升级智能课程的内容？
挑战7：如何应对人工智能教育中的道德，社会和安全问题？
17.AI教育应用程序的含义和特征？
情报教育：狭窄的人工智能教育：基于人工智能的教育，目的是培养专业人才来掌握机器智能技术以满足技术发展的需求。智慧教育在广义上：受智能技术支持的教育，智能教育技术和教育，以促进智能发展。
智能教育：在信息技术的支持下，为发展学生智慧的发展而开发的教育。他强调建立了技术整合的学习环境，使教师能够教授高效率并使学生能够个性化。
智能教育是一种技术教育。智能技术不仅使学习环境更加丰富和灵巧，而且还允许机器在某些方面具有人的智慧甚至超人。
智慧教育的概念领导了智能教育。先进的智能教育概念决定了智慧教学的方式。不同的模式要求教师具有相应的教学能力。这些技能需要智能环境的支持才能实施。
18.教育中人工智能的特征？
聪明的
人工智能技术是促进教育信息化的核心技术，并具有改变教学和学术的潜力。未来，将有越来越多的智能工具支持教学和学习。智能教育将为学习者带来新的学习经验并为教师提供高质量教学的基础。在教育信息技术的支持下，将创建教育信息生态系统，这将无缝整合在线学习环境和现实情况，以使人类计算机的交互更加方便和更方便和方便聪明的。公共学习和个性化学习将成为新的常态。
人 - 机器合作
人类的合作教育可以使教师和人工智能的不同优势充分发挥作用，并促进学生的个性化发展。机器主要负责重复，单调和递归，教师负责创造性，情感和情感和责任鼓舞人心的工作。
自动化
人工智能可以直接应用纪律知识，教学方法知识和学习者知识，以实现知识交流的自动化。因此，它可用于支持教育活动
个性化
为了扩大教学的规模并提高教学的效率，传统教学组织采用了类教学系统，类似于工厂的大规模生产，忽略了学生之间的个性化差异。在人工智能时代的到来，教学组织方法可以实现个性化的教育。人工智能可以分析每个学生的处理数据，准确地确定其知识水平，学习需求，个人爱好并建立学习者模型。基于此，它实现了个性化资源，学习路径和学习服务的推动。这意味着大众生产教育时代的终结和个性化教育的开始。
跨学科整合
人工智能涉及多个学科。单一的学科教学无法再满足社会发展的需求，并且已经尊重跨学科的整合教学。核心是在项目实践中提供现实的问题，重点是刺激，培养和改善学生的计算思维，创新思维和元认知。
结论：以上是首席CTO注释汇编的人工智能英文注释的相关内容的相关内容。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?