【人工智能】简单概述与理解
人工智能–Artificialintelligence|AI何为人工智能你可能理解成电影里面的机器人，或者人工智能可能会代替人类，从而威胁到人类的就业问题等或者更有甚者，以为人工智能会威胁到人类的生存，它们会进化出自己的思想，终结掉人类！！！以上都是人们对人工智能的无解介于传统软件和人工智能而言传统软件程序比如写一个小程序，满足条件A和B，将执行C，这一传统软件的最基本特点人工智能不会按照死的执行程序，它会通过大量的数据，从数据中进行学习，总结规律，一大堆数据，全部喂给AI，最后它会告诉你想要的结果。人工智能出现很多不同的分支，技术原理也不尽相同，当下最火的深度学习，是我们学习的重点。机器从特定的、大量的数据中总结规律，归纳出某些特点的知识，然后将这种知识应用到实现场景中去解决实际问题。从本质来讲，它更像人一样，像人一样去学习、去思考。
人工智能像一种工具计算机也是工具，它能拓展我们人类做不了的许多事情，而人工智能也是，他能拓展传统软件的能力边界，从而大幅度提升生产力，而人工智能让更多环节可以搭上摩尔定理的快车但工具终究是工具，他是为了解决实际问题而存在的，这一点是没有变化的
人工智能只解决特定问题在电影的场景里面，我们可以看到各种超智能机器人，他们有着superpower，好像是无所不能，但是现实情况：人工智能还处于单一任务阶段！从单一任务模式到多任务模式进一步达到融会贯通依然有一段很长的距离等着我们去努力！！！
人工智能的可解释性不强人工智能采用【归纳法】总结现象知识所以它只关注现象，而不关注为什么我只要结果，不管过程如何！！
人工智能的发展历史时间从1950年开始，标志图灵于1950年提出人工智能概念和图灵测试包含三个阶段第一次是【非智能对话机器人】1950-1960第二次是【语音识别】1980-1990第三次是【深度学习+大数据】21世纪人工智能3次浪潮的不同之处
前两次热潮是学术研究主导的，第三次热潮是现实商业需求主导的。前两次热潮多是市场宣传层面的，而第三次热潮是商业模式层面的。前两次热潮多是学术界在劝说政府和投资人投钱，第三次热潮多是投资人主动向热点领域的学术项目和创业项目投钱。前两次热潮更多时提出问题，第三次热潮更多时解决问题。
人工智能不能做什么1.弱人工智能-限定领域，解决特定问题代表如AlphaGo、Siri、FaceID，只专注于且只能解决特定领域的问题2.强人工智能-通用领域，胜任人类的所有工作ArtificialGeneralIntelligence
存在不确定性因素时进行推理，使用策略，解决问题，制定决策的能力知识表示的能力，包括常识性知识的表示能力规划能力学习能力使用自然语言进行交流沟通的能力将上述能力整合起来实现既定目标的能力3.超人工智能-远超人类智慧现在我们仍处于弱人工智能时期！！
什么工作未被AI替代这种工作的特征：决策需要信息量小，决策过程简单，独立完成，重复性工作那么不容易被替代的工作特征：社交智慧创造力感知和操作能力
人工智能的理解
人工智能的起源：人工智能在五六十年代时正式提出，1950年，一位名叫马文·明斯基(后被人称为“人工智能之父”)的大四学生与他的同学邓恩·埃德蒙一起，建造了世界上第一台神经网络计算机。这也被看做是人工智能的一个起点。巧合的是，同样是在1950年，被称为“计算机之父”的阿兰·图灵提出了一个举世瞩目的想法——图灵测试。
更详细的历史参考链接：https://www.jianshu.com/p/501e840619e1
人工智能（ArtificialIntelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
——维基百科
总结人工智能的理解：
人工智能（AI）实现过程中，有感知层处理、认知层处理，最后到现实中应用即称应用层。
感知层感知层包含语音识别与合成和计算机视觉。
语音识别与合成包含：语音识别、信号处理、模式识别、信息处理等。
计算机视觉包含：人脸识别、图像识别、机器识别、视频识别、体感识别等。
认知层认知层包含自然语言处理、知识图谱、规划与决策等。
自然语言处理包含：文档分析、词法分析、平滑技术、数据稀疏等。
知识图谱包含：可视化、知识工程等。
规划与决策包含：自动规划、推理机制、专家系统等。
应用层实际应用方面包含机器人、无人驾驶、推荐系统、计算广告、搜索引擎等。
机器人应用包含：聊天机器人、服务机器人、工业机器人等。
无人驾驶应用包含：智能模拟、自动工程等。
推荐系统应用包含：个性推荐、协同过滤等。
计算广告应用包含：广告竞价、数据挖掘、广告交易平台等。
搜索引擎应用包含：智能搜索、统计学法等。
弱人工智能弱人工智能是指能擅长于单个方面的人工智能，规则是封闭的。AlphaGo的判断可以用于围棋，达到很高的水平，它要下象棋也能达到很高的水平，但是就要从头再搞一套象棋的软硬件，它在围棋的深度学习无法通用于其他领域。
强人工智能强人工智能是指在各方面都能和人类比肩的人工智能，人类能做的脑力活动它都能做。它没有既定规则和领域，是开放式的。
人工智能+机器学习+深度学习的包含关系
1、机器学习只是人工智能的一种非常有效的实现方法，但人工智能不只是机器学习；
2、深度学习只是实现机器学习的一种非常有效的技术，但机器学习不只是深度学习；
3、深度学习只是目前最热的一种技术，但不意味着人工智能的终点。未来：小数据大任务，大数据小任务。
机器学习分类根据训练的模型不同，一般有如下的几种机器学习方法：
监督学习无监督学习半监督学习强化学习强化学习（ReinforcementLearning，简称RL）是机器学习的一个重要分支。在强化学习中，包含两种基本的元素：状态与动作，在某个状态下执行某种动作，这便是一种策略，学习器要做的就是通过不断地探索学习，从而获得一个好的策略。例如：在围棋中，一种落棋的局面就是一种状态，若能知道每种局面下的最优落子动作，那就攻无不克/百战不殆了~
若将状态看作为属性，动作看作为标记，易知：监督学习和强化学习都是在试图寻找一个映射，从已知属性/状态推断出标记/动作，这样强化学习中的策略相当于监督学习中的分类/回归器。但在实际问题中，强化学习并没有监督学习那样的标记信息，通常都是在尝试动作后才能获得结果，因此强化学习是通过反馈的结果信息不断调整之前的策略，从而算法能够学习到：在什么样的状态下选择什么样的动作可以获得最好的结果。
强化学习任务通常使用马尔可夫决策过程（MarkovDecisionProcess，简称MDP）来描述，具体而言：机器处在一个环境中，每个状态为机器对当前环境的感知；机器只能通过动作来影响环境，当机器执行一个动作后，会使得环境按某种概率转移到另一个状态；同时，环境会根据潜在的奖赏函数反馈给机器一个奖赏。综合而言，强化学习主要包含四个要素：状态、动作、转移概率以及奖赏函数。
状态（X）：机器对环境的感知，所有可能的状态称为状态空间； 动作（A）：机器所采取的动作，所有能采取的动作构成动作空间； 转移概率（P）：当执行某个动作后，当前状态会以某种概率转移到另一个状态； 奖赏函数（R）：在状态转移的同时，环境给反馈给机器一个奖赏。因此，强化学习的主要任务就是通过在环境中不断地尝试，根据尝试获得的反馈信息调整策略，最终生成一个较好的策略π，机器根据这个策略便能知道在什么状态下应该执行什么动作。
来自：https://www.cnblogs.com/CJT-blog/p/10281396.html
_______ _________________________
参考:
http://www.360doc.com/content/19/1006/20/410279_865196339.shtml
https://cloud.tencent.com/developer/news/15608
https://www.jianshu.com/p/2fc2afc2bc85