1 人工智能、机器学习、深度学习的关系
“人工智能” 一词最早是再20世纪50年代提出来的。
“ 机器学习 ” 是通过算法，使用大量数据进行训练，训练完成后会产生模型
- 有监督的学习 supervised learning
- 无监督的学习 unsupervised learning
- 增强式学习 reinforcement learning
已经应用领域：推荐引擎、定向广告、需求预测、垃圾邮件过滤、医学诊断、自然语言处理、搜索引擎、证券分析、视觉识别、语音识别、手写识别等
“ 深度学习 ” 是机器学习的分支，其仿真人类神经网络的工作方式，常见深度学习架构有
- 多层感知器 multi-layer perceptron
- 深度神经网络 deep neural network ,DNN
- 卷积神经网络 convolutional neural network , CNN
- 递归神经网路 recurrent neural network , RNN
已经应用领域：视觉识别，语音识别，自然语言处理，生物医学等
另：
GPU（Graphics Processing Unit）为图形处理器，用于电脑的图形运算，
CPU与GPU的架构有本质的不同，CPU 含有数颗核心，为顺序处理进行优化；而GPU 则拥有高达数千个小型且高效的核心，发挥强大并行计算能力。
深度学习以大量矩形运算模拟神经元的工作方式，该工作方式特别适合并行计算。GPU通过大量核心并行计算，在深度学习训练中，GPU比CPU要快10~75倍。
Google 公司于2016年宣布人工智能专用芯片 TPU（Tensor Processing Unit，张量处理单元 / 张量处理芯片）来进行计算；TPU 是专为深度学习设计的特殊规格的逻辑芯片（IC），使得深度学习的训练速度更快。
2 机器学习介绍
机器学习的训练数据构成：
- 数据特征features
- 数据标签label
机器学习分为两个阶段：
- 训练Training
- 预测Predict
3 机器学习分类
3.1 有监督的学习
有监督的学习的数据具备特征features、预测目标/标签label两要素。通过算法训练并建立模型。当有新的数据时，我们将其进行预测。