人工智能 机器学习 深度学习;:
其实近几年AI这个名词很火，现在已经到封口浪尖上了，以前一个企业说搞AI这块，都没人敢投资，现在一听说搞AI，都抢着投资这家公司，为什么呢，因为以前的技术不够成熟，硬件不够成熟，数据不够多，最主要的好像是当时有个比较牛的人出了本书，书是非常不错的，当时提出了一个问题，说这个问题不解决，AI是得不到大的突破的，有兴趣的同学可以了解下，这就造成了之前AI 的惨淡气象。
当然如今，AI蓬勃发展，同时作为AI的招牌语言python也是如日中天，关于python最近我有幸简单学习了下（毕竟这门语言好像快被上身为青少年通用语言了，有些初级学生都开始学习这门语言，不了解下，有点丢人啊），感觉确实很强大，很适合做一些算法的开发，给我的感觉是比较随意，而且可以很轻松的引用第三方模块，上手是比较快的，话说我这边学过不少语言，当然很多只是皮毛，但python给我的感受还是比较强烈的，可以做很多好玩的东西，不过如果做大型的开发的话，还是推荐用c/c++或者java。
这边呢，主要就是简单说下概念性的东西，可当作科普文，毕竟当下这个大的环境下，特别是谷歌的AlphaGo和facebook的聊天机器人风头正盛，家喻户晓的时候，我们也能随便和别人聊点是吧。有人可能对facebook聊天机器人不是很熟，他呢，成名于在两个机器人对话的时候，突然间创造出了自己的语言，emmm，当时还是引起了一阵骚动，官方说已经停止研究了，不过具体谁知道呢。
接下来进入正题，首先说下这个大体的这个发展流程，人工智能最先与1965年由几个科学家在达特茅斯会议第一次被提出，目的呢，是希望用计算机来构造拥有与人类智慧同样特性的机器，下图是这个人工智能的发展史：
接下来分别介绍下几个关键性的概念术语，人工智能，机器学习，深度学习。
1 人工智能：
发展条件：
1）硬件发展：AI 不断爆发热潮，是与基础设施的进步和科技的更新分不开的，从 70 年代 personal 计算机的兴起到 2010 年 GPU、异构计算等硬件设施的发展，都为人工智能复兴奠定了基础。
2） 数据发展：互联网及移动互联网的发展也带来了一系列数据能力，使人工智能能力得以提高。并且随着物联网的兴起，传感器的普及，数据是十分大的，最近大数据，云计算的发展也是推进人工智能发展的因素，后面介绍一些算法就知道数据的重要性了。
3） 运算发展：计算机的运算能力从传统的以 CPU 为主导到以 GPU 为主导，这对 AI 有很大变革。
4） 算法发展：算法技术的更新助力于人工智能的兴起，最早期的算法一般是传统的统计算法，如 80 年代的神经网络，90 年代的浅层，2000 年左右的 SBM、Boosting、convex 的 methods 等等。随着数据量增大，计算能力变强，深度学习的影响也越来越大。尤其是2011 年之后，深度学习的兴起，带动了现今人工智能发展的高潮。
2 机器学习
机器学习是个什么呢，简单的说是一种实现人工智能的方法，简称ML（machine learning），是一门多领域交叉学科，涉及概率论，统计学，逼近论，凸分析，算法复杂度理论等多门学科。作为当年概率论和高数课基本都不听的人来说，这些有点难搞，不过看下去，你还是有信心的。机器学习是人工智能的核心，是计算机具有智能的根本途径，它主要是进行归纳和综合，而不是演绎。基本就是使用算法来解析数据，从中学习，从而对真实世界中的事件做出决策和预测。对的，其实就是用大量数据去“训练”，通过各种算法从数据中学习如何完成任务。
机器学习有三类;
1) 无监督学习：指的是从信息中自动寻找规律，并将其分成各种类别，也称“聚类问题”。
2) 监督学习：监督学习指的是给历史一个标签，运用模型预测结果。如有一个水果，我们根据水果的形状和颜色去判断到底是香蕉和苹果
3) 强化学习，是指可以用来支持人们去做决策和规划的一个学习方式，它是对人的一些动作，行为产生奖励的回馈机制，通过这个回馈机制促进学习，这是与人类的学习相似，
3深度学习
是一种实现机器学习的技术，有些人可能容易搞不清机器学习和深度学习之间的区别。机器学习是指计算机的算法能够像人一样，丛数据中找到信息，从而学习一些规律。虽然深度学习是机器学习的一种，但是深度学习是利用深度的神经网络，将模型处理的更为复杂，从而使模型对数据的理解更加深入。
深度学习是机器学习中一种基于对数据进行表征学习的方法。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。
同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分．不同的学习框架下建立的学习模型很是不同．例如，卷积神经网络（Convolutional neural networks，简称CNNs）就是一种深度的监督学习下的机器学习模型，而深度置信网（Deep Belief Nets，简称DBNs）就是一种无监督学习下的机器学习模型。
4、人工神经网络：一种机器学习的算法
人工神经网络（Artificial Neural Networks）是早期机器学习中的一个重要的算法，历经数十年风风雨雨。神经网络的原理是受我们大脑的生理结构——互相交叉相连的神经元启发。但与大脑中一个神经元可以连接一定距离内的任意神经元不同，人工神经网络具有离散的层、连接和数据传播的方向。
例如，我们可以把一幅图像切分成图像块，输入到神经网络的第一层。在第一层的每一个神经元都把数据传递到第二层。第二层的神经元也是完成类似的工作，把数据传递到第三层，以此类推，直到最后一层，然后生成结果。
每一个神经元都为它的输入分配权重，这个权重的正确与否与其执行的任务直接相关。最终的输出由这些权重加总来决定。
我们以“停止（Stop）标志牌”为例，将一个停止标志牌图像的所有元素都打碎，然后用神经元进行“检查”：八边形的外形、消防车般的红颜色、鲜明突出的字母、交通标志的典型尺寸和静止不动运动特性等等。神经网络的任务就是给出结论，它到底是不是一个停止标志牌。神经网络会根据所有权重，给出一个经过深思熟虑的猜测——“概率向量”。
回过头来看这个停止标志识别的例子。神经网络是调制、训练出来的，时不时还是很容易出错的。它最需要的，就是训练。需要成百上千甚至几百万张图像来训练，直到神经元的输入的权值都被调制得十分精确，无论是否有雾，晴天还是雨天，每次都能得到正确的结果。
只有这个时候，我们才可以说神经网络成功地自学习到一个停止标志的样子；或者在Facebook的应用里，神经网络自学习了你妈妈的脸；又或者是2012年吴恩达（AndrewNg）教授在Google实现了神经网络学习到猫的样子等等。
吴教授的突破在于，把这些神经网络从基础上显著地增大了。层数非常多，神经元也非常多，然后给系统输入海量的数据，来训练网络。在吴教授这里，数据是一千万YouTube视频中的图像。吴教授为深度学习（deeplearning）加入了“深度”（deep）。这里的“深度”就是说神经网络中众多的层。
现在，经过深度学习训练的图像识别，在一些场景中甚至可以比人做得更好：从识别猫，到辨别血液中癌症的早期成分，到识别核磁共振成像中的肿瘤。Google的AlphaGo先是学会了如何下围棋，然后与它自己下棋训练。它训练自己神经网络的方法，就是不断地与自己下棋，反复地下，永不停歇。
Emmm，先到这，上面的有很多都是直接在网上抄的，毕竟是初学者，之后会学习一些框架，比如google 的tensorflow或者caffe，cnn（卷积神经网络）等，搞个实例跑一下，训练一些模型，应该会比较刺激，正好可以加深下python知识。
摘选自http://www.cnbruce.com/blog/showlog.asp?cat_id=37&log_id=1422