人工智能应用场景及未来发展趋势 一 什么是人工智能人工智能是当前比较热门的科学和各国重点发展的前沿技术，但人工智能（Artificial Intell
来源：雪球App，作者：玖点半，（https://xueqiu.com/2857816313/132432573）
一.什么是人工智能
人工智能是当前比较热门的科学和各国重点发展的前沿技术，但人工智能（ArtificialIntelligence，缩写为AI）一词的出现，却是早在1956年由麦卡赛、明斯基、罗切斯特和申农等一批具有远见卓识的年轻科学家在一起聚会，共同研究和探讨用机器模拟智能的一系列有关问题时提出来的，它也标志着"人工智能"的正式诞生。
人工智能是指通过计算机实现人的头脑思维所产生的效果，是对能够从环境中获取感知并执行行动的智能体的描述和构建。从狭义认知角度来讲，人工智能可分为人工智能产业（包含技术、算法、应用等多方面的价值体系）、人工智能技术（包括凡是使用机器帮助、代替甚至部分超越人类实现认知、识别、分析、决策等功能）两大类。
人工智能得到快速发展的时期，是2008年金融危机之后，美日欧等西方发达国家希望借助机器人实现再工业化。此时的工业机器人比以往任何时候都发展的更快，更加带动了人工智能和相关领域产业的不断突破，很多必须用人来做的工作如今已经能用机器人实现。
而企业层面，目前在人工智能领域领先的企业，包括IBM、谷歌、微软、苹果、东芝、三星等大型科技企业，国内人工智能领先的企业，包括百度、科大讯飞，中国国家电网、阿里、腾讯以及一些新兴科技企业，如商汤科技、云从科技、码隆科技、影普科技、Yi+等。
二.国内人工智能应用领域及产值规模2.1.国内人工智能应用领域及产业规模人工智能作为科技创新产物，在促进人类社会进步、经济建设和提升人们生活水平等方面起到越来越重要的作用。国内人工智能经过多年的发展，已经在安防、金融、客服、零售、医疗健康、广告营销、教育、城市交通、制造、农业等领域实现商用及规模效应。
2018年国内人工智能技术为实体经济贡献收益规模达到251.1亿元人民币，而据艾瑞咨询预测数据，2019年人工智能将为实体经济贡献收入超570亿元，到2022年贡献收入将达到1573亿元，年复合增长率达到58.2%。
在2018年人工智能251.1亿元市场规模中，安防领域占比份额最高为53.8%，其次则是金融领域，份额占比为15.8%。
2.2.人工智能在安防领域的应用安防是为数不多的可以将人工智能成熟应用并落地的行业，为此，安防也被认为是人工智能的第一着陆场。这是因为人工智能在安防领域的快速落地，除了不需要过多的基础建设之外，也得益于全国范围内安防设备的普及以及政府部门大力发展雪亮工程、智慧城市、平安城市、智慧交通、天网工程等公共安全领域项目工程的推动。其中，2018年公共安全领域安防贡献的市场份额就超过70%。
人工智能在安防领域的应用主要是利用其视频结构化（视频数据的识别和提取技术）、生物识别技术（如指纹识别、人脸识别等）以及物证特征识别（如目前大力推广的ETC对车牌的识别等）等三大特性。其改变了过去需要通过人工取证、被动监控的安防形态，视频数据的识别和提取分析，使人力查阅监控的时间大大缩短，而生物识别又大大提升了人物识别的精准性，极大提升了公共安全治理的效率。
2018年，我国“AI+安防”软硬件市场规模达到135亿元（不含C端用户），其中视频监控占比达到88.1%，据艾瑞咨询预测2019年将达到350亿元，而到2022年，安防规模将超过700亿元，复合增长率将达到51.45%。
2.3.人工智能在金融领域的应用
人工智能在金融领域的应用仅次于安防，这要得益于移动互联网、区块链、云计算、大数据等新技术的日趋成熟，为金融行业的智能化转型升级奠定重要基础。
从技术层面，人工智能的本质上是机器通过大量的数据训练作出智能决策，人工智能能够赋予机器具有理解力的“大脑”，让机器能够解读文字、数据所包含的“语义”，通过自学的方式获得判断的规则。金融行业作为高度数据化的行业，加之业务规则和目标明晰，是人工智能、大数据处理技术和云计算等数据驱动技术的最好应用场景。以此同时，在互联网时代，金融行业的在线业务将成主流，数据量的激增，超出了人的经验范畴和处理能力，而这些却是人工智能最擅长处理的。人工智能正在对金融产品、服务渠道、服务方式、风险管理、授信融资、投资决策等带来新一轮的变革。
2018年国内金融领域人工智能相关科技投入（包括软件和硬件设备）约为166.8亿元，较2017年增速为42.9%，到2022年人工智能相关投入将超580亿元，年复合增长率超过37%，其中银行是人工智能相关应用的主要投入方，占比超过70%。
目前，人工智能在金融业的应用，主要集中在智能支付、智能理赔、智能投顾、智能客服、智能营销、智能投研、智能风控等场景，这些场景又以银行最具有代表。
2.3.1.智能客服智能客服是人工智能在金融领域应用最广的。智能客服机器人取代了传统菜单式语音和人工客服模式，能够提供7*24小时的客服服务。智能客服在电话场景当中主要表现为机器管理和语音问答分析，智能客服可以通过深度学习文本中的对话、语音对话场景，并加以应用回复。智能客服目前在银行领域应用最广，平安银行的客服服务人工智能替代率超过80%，其服务量也提升了两至三倍，客服的人力降低了40%。
2.3.2.智能投顾智能投顾，即人工智能投资顾问，其是通过人工智能的深度学习和分析能力，为客户提供个人理财产品策略咨询，包括股票配置、基金配置、债权配置、交易执行、投资损失避税等策略。智能投顾的最大特点，是弱化“人性”，在基于大数据分析、AI算法等的前提下，一旦投资者选定了某种方案，资产的进出抛售就会严格按照既定的标准实行。
智能投顾的应用，最早可追溯到2016年年底，“摩羯智投”在招商银行手机APP的上线。目前，智能投顾已成为银行、券商、保险等金融机构的标配型服务。
2.3.3.智能风控金融行业在传统风控环节中，存在信息不对称、成本高、时效性差、效率低等问题。而智能风控因为引入了人工智能科技，使得贷前审核、贷中监控和贷后管理等环节效率和准确度都得到了极大的提升，智能风控还能促进风险管理差异化。另外智能风控在信用反欺诈、骗保反欺诈、异常交易行为等方面也发挥了越来越重要的作用，为金融行业欺诈风险的分析和预警监测提供坚实的技术支持。
2.3.4.智能投研与智能投顾相比，智能投研主要面对B端企业用户，为其提供辅助投研的工具。对于金融机构来说，人工智能技术的介入，使得传统投研的各个环节发生一定的优化和革新，解放大量基础的投研信息搜集类工作，而前期信息搜集的耗时性和不全面性，也是传统投研中较为主要的缺陷。智能投研是在金融数据基础上，通过深度学习、自然语言处理等人工智能方法，对数据、事件、结论等信息进行自动化处理和分析，为金融机构提供投研支持。
2.4.人工智能在客服领域的应用前文金融领域中已经提到了智能客服的应用，当然智能客服不仅仅只限于金融行业，在其他行业也运用得越来越广。客户服务引入人工智能技术后，整体上节省了10%以上的运营成本。另外，通过对语音等非标准化数据的识别，企业能沉淀下一手数据资源，为后续精准营销、产品升级等环节做好铺垫。
据艾瑞咨询数据，2018年，国内智能客服业务规模达到27.2亿元，其中以智能客服机器人为代表的人工智能应用业务规模达到7.9亿元，预计2022年智能客服业务规模将突破160亿元，年复合增长率为56%，人工智能应用业务规模突破70亿元。
2.5.人工智能在零售领域的应用人工智能在零售领域的应用已经十分广泛，包括无人便利店、智慧供应链、客流统计、无人仓储等细分领域。人工智能通过深度学习以及计算机视觉、图像智能识别、大数据应用等技术，使得工业智能机器人可通过自主判断和行为学习，完成各种复杂的任务，包括在商品分拣、运输、出库等环节实现自动化。另外，将人工智能技术应用于客流统计工作中，其通过人脸识别客流统计功能，门店可以从性别、年龄、表情、新老顾客、滞留时长等维度建立到店客流用户画像，为调整运营策略提供数据基础，帮助门店运营从匹配真实到店客流的角度提升转换率。
2018年中国现代渠道主要零售商数字化建设投入为285.1亿元，其中人工智能投入约为9亿元，占比3.15%，据预测，到2022年其数字化建设投入将突破700亿元，人工智能投入将超过178亿元，占比超过25%，这主要得益于阿里巴巴、京东、苏宁等零售巨头的推动，以人工智能应用为代表的新零售概念处于增长的上升通道，未来两年将保持较高增速。
而以计算机视觉技术为核心的人脸识别和商品识别是主要建设方向，相关投入占整体的55%以上。另外，零售领域供应链的优化最为复杂，对人工智能算法的可用性要求最高，但更靠近零售业的核心点，未来可释放的增益价值也将最大。
三.人工智能未来发展趋势目前，人工智能的研究及应用主要集中在基础层、技术层和应用层三个方面，其中基础层以AI芯片、计算机语言、算法架构等研发为主，技术层以计算机视觉、智能语音、自然语言处理等应用算法研发为主；应用层以AI技术集成与应用开发为主。而国内人工智能企业多集中在应用层，占比高达77.7%，技术层和基础层企业占比相对较小，分别只占有17.9%和5.4%。当然，未来随着5G的建设普及以及科技进步，人工智能除了在语音识别、计算机视觉技术的继续拓展和实地运用外，在人工智能芯片、机器学习、神经网络等方面也将引来增强趋势，人工智能也将在越来越多的领域得到应用落地。
另外，人工智能与物联网的结合（即AIoT）也将更紧密，AI的介入让物联网有了连接的大脑，使得万物互联互通成为现实，未来或将颠覆现有的产业模式。经济方面，助力产业价值链延伸，目前产业很难依靠既有技术与业务模式打破产业生命周期，AIoT通过设备感知与数据分析支撑新的产品形态与服务模式落地，开拓新的市场空间，产生新的发展周期。社会发展方面，数据价值得到挖掘，实现大量线下数据线上化，实现自动高效处理。
$海康威视(SZ002415)$$上证指数(SH000001)$$沪深300(SH000300)$
人工智能的十大主要应用场景
人工智能已经逐渐走进我们的生活，并应用于各个领域，它不仅给许多行业带来了巨大的经济效益，也为我们的生活带来了许多改变和便利。下面，我们将分别介绍人工智能的一些主要应用场景。
1.无人驾驶汽车
无人驾驶汽车是智能汽车的一种，也称为轮式移动机器人，主要依靠车内以计算机系统为主的智能驾驶控制器来实现无人驾驶。无人驾驶中涉及的技术包含多个方面，例如计算机视觉、自动控制技术等。
美国、英国、德国等发达国家从20世纪70年代开始就投入到无人驾驶汽车的研究中，中国从20世纪80年代起也开始了无人驾驶汽车的研究。
2005年，一辆名为Stanley的无人驾驶汽车以平均40km/h的速度跑完了美国莫哈维沙漠中的野外地形赛道，用时6小时53分58秒，完成了约282千米的驾驶里程。
Stanley是由一辆大众途锐汽车经过改装而来的，由大众汽车技术研究部、大众汽车集团下属的电子研究工作实验室及斯坦福大学一起合作完成，其外部装有摄像头、雷达、激光测距仪等装置来感应周边环境，内部装有自动驾驶控制系统来完成指挥、导航、制动和加速等操作。
2006年，卡内基梅隆大学又研发了无人驾驶汽车Boss，Boss能够按照交通规则安全地驾驶通过附近有空军基地的街道，并且会避让其他车辆和行人。
近年来，伴随着人工智能浪潮的兴起，无人驾驶成为人们热议的话题，国内外许多公司都纷纷投入到自动驾驶和无人驾驶的研究中。例如，Google的GoogleX实验室正在积极研发无人驾驶汽车GoogleDriverlessCar，百度也已启动了“百度无人驾驶汽车”研发计划，其自主研发的无人驾驶汽车Apollo还曾亮相2018年央视春晚。
但是最近两年，发现无人驾驶的复杂程度远超几年前所预期的，要真正实现商业化还有很长的路要走。
2.人脸识别
人脸识别也称人像识别、面部识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。人脸识别涉及的技术主要包括计算机视觉、图像处理等。
人脸识别系统的研究始于20世纪60年代，之后，随着计算机技术和光学成像技术的发展，人脸识别技术水平在20世纪80年代得到不断提高。在20世纪90年代后期，人脸识别技术进入初级应用阶段。目前，人脸识别技术已广泛应用于多个领域，如金融、司法、公安、边检、航天、电力、教育、医疗等。
有一个关于人脸识别技术应用的有趣案例：张学友获封“逃犯克星”，因为警方利用人脸识别技术在其演唱会上多次抓到了在逃人员。
2018年4月7日，张学友南昌演唱会开始后，看台上一名粉丝便被警方带离现场。实际上，他是一名逃犯，安保人员通过人像识别系统锁定了在看台上的他;
2018年5月20日，张学友嘉兴演唱会上，犯罪嫌疑人于某在通过安检门时被人脸识别系统识别出是逃犯，随后被警方抓获。随着人脸识别技术的进一步成熟和社会认同度的提高，其将应用在更多领域，给人们的生活带来更多改变。
3.机器翻译
机器翻译是计算语言学的一个分支，是利用计算机将一种自然语言转换为另一种自然语言的过程。机器翻译用到的技术主要是神经机器翻译技术（NeuralMachineTranslation，NMT），该技术当前在很多语言上的表现已经超过人类。
随着经济全球化进程的加快及互联网的迅速发展，机器翻译技术在促进政治、经济、文化交流等方面的价值凸显，也给人们的生活带来了许多便利。例如我们在阅读英文文献时，可以方便地通过有道翻译、Google翻译等网站将英文转换为中文，免去了查字典的麻烦，提高了学习和工作的效率。
4.声纹识别
生物特征识别技术包括很多种，除了人脸识别，目前用得比较多的有声纹识别。声纹识别是一种生物鉴权技术，也称为说话人识别，包括说话人辨认和说话人确认。
声纹识别的工作过程为，系统采集说话人的声纹信息并将其录入数据库，当说话人再次说话时，系统会采集这段声纹信息并自动与数据库中已有的声纹信息做对比，从而识别出说话人的身份。
相比于传统的身份识别方法（如钥匙、证件），声纹识别具有抗遗忘、可远程的鉴权特点，在现有算法优化和随机密码的技术手段下，声纹也能有效防录音、防合成，因此安全性高、响应迅速且识别精准。
同时，相较于人脸识别、虹膜识别等生物特征识别技术，声纹识别技术具有可通过电话信道、网络信道等方式采集用户的声纹特征的特点，因此其在远程身份确认上极具优势。
目前，声纹识别技术有声纹核身、声纹锁和黑名单声纹库等多项应用案例，可广泛应用于金融、安防、智能家居等领域，落地场景丰富。
5.智能客服机器人
智能客服机器人是一种利用机器模拟人类行为的人工智能实体形态，它能够实现语音识别和自然语义理解，具有业务推理、话术应答等能力。
当用户访问网站并发出会话时，智能客服机器人会根据系统获取的访客地址、IP和访问路径等，快速分析用户意图，回复用户的真实需求。同时，智能客服机器人拥有海量的行业背景知识库，能对用户咨询的常规问题进行标准回复，提高应答准确率。
智能客服机器人广泛应用于商业服务与营销场景，为客户解决问题、提供决策依据。同时，智能客服机器人在应答过程中，可以结合丰富的对话语料进行自适应训练，因此，其在应答话术上将变得越来越精确。
随着智能客服机器人的垂直发展，它已经可以深入解决很多企业的细分场景下的问题。比如电商企业面临的售前咨询问题，对大多数电商企业来说，用户所咨询的售前问题普遍围绕价格、优惠、货品来源渠道等主题，传统的人工客服每天都会对这几类重复性的问题进行回答，导致无法及时为存在更多复杂问题的客户群体提供服务。
而智能客服机器人可以针对用户的各类简单、重复性高的问题进行解答，还能为用户提供全天候的咨询应答、解决问题的服务，它的广泛应用也大大降低了企业的人工客服成本。
6.智能外呼机器人
智能外呼机器人是人工智能在语音识别方面的典型应用，它能够自动发起电话外呼，以语音合成的自然人声形式，主动向用户群体介绍产品。
在外呼期间，它可以利用语音识别和自然语言处理技术获取客户意图，而后采用针对性话术与用户进行多轮交互会话，最后对用户进行目标分类，并自动记录每通电话的关键点，以成功完成外呼工作。
从2018年年初开始，智能外呼机器人呈现出喷井式兴起状态，它能够在互动过程中不带有情绪波动，并且自动完成应答、分类、记录和追踪，助力企业完成一些烦琐、重复和耗时的操作，从而解放人工，减少大量的人力成本和重复劳动力，让员工着力于目标客群，进而创造更高的商业价值。当然智能外呼机器人也带来了另一面，即会对用户造成频繁的打扰。
基于维护用户的合法权益，促进语音呼叫服务端健康发展，2020年8月31日国家工信部下发了《通信短信息和语音呼叫服务管理规定（征求意见稿）》，意味着未来的外呼服务，无论人工还是人工智能，都需要持证上岗，而且还要在监管的监视下进行，这也对智能外呼机器人的用户体验和服务质量提出了更高的要求。
7.智能音箱
智能音箱是语音识别、自然语言处理等人工智能技术的电子产品类应用与载体，随着智能音箱的迅猛发展，其也被视为智能家居的未来入口。究其本质，智能音箱就是能完成对话环节的拥有语音交互能力的机器。通过与它直接对话，家庭消费者能够完成自助点歌、控制家居设备和唤起生活服务等操作。
支撑智能音箱交互功能的前置基础主要包括将人声转换成文本的自动语音识别（AutomaticSpeechRecognition，ASR）技术，对文字进行词性、句法、语义等分析的自然语言处理（NaturalLanguageProcessing，NLP）技术，以及将文字转换成自然语音流的语音合成技术（TextToSpeech，TTS）技术。
在人工智能技术的加持下，智能音箱也逐渐以更自然的语音交互方式创造出更多家庭场景下的应用。
8.个性化推荐
个性化推荐是一种基于聚类与协同过滤技术的人工智能应用，它建立在海量数据挖掘的基础上，通过分析用户的历史行为建立推荐模型，主动给用户提供匹配他们的需求与兴趣的信息，如商品推荐、新闻推荐等。
个性化推荐既可以为用户快速定位需求产品，弱化用户被动消费意识，提升用户兴致和留存黏性，又可以帮助商家快速引流，找准用户群体与定位，做好产品营销。
个性化推荐系统广泛存在于各类网站和App中，本质上，它会根据用户的浏览信息、用户基本信息和对物品或内容的偏好程度等多因素进行考量，依托推荐引擎算法进行指标分类，将与用户目标因素一致的信息内容进行聚类，经过协同过滤算法，实现精确的个性化推荐。
9.医学图像处理
医学图像处理是目前人工智能在医疗领域的典型应用，它的处理对象是由各种不同成像机理，如在临床医学中广泛使用的核磁共振成像、超声成像等生成的医学影像。
传统的医学影像诊断，主要通过观察二维切片图去发现病变体，这往往需要依靠医生的经验来判断。而利用计算机图像处理技术，可以对医学影像进行图像分割、特征提取、定量分析和对比分析等工作，进而完成病灶识别与标注，针对肿瘤放疗环节的影像的靶区自动勾画，以及手术环节的三维影像重建。
该应用可以辅助医生对病变体及其他目标区域进行定性甚至定量分析，从而大大提高医疗诊断的准确性和可靠性。另外，医学图像处理在医疗教学、手术规划、手术仿真、各类医学研究、医学二维影像重建中也起到重要的辅助作用。
10.图像搜索
图像搜索是近几年用户需求日益旺盛的信息检索类应用，分为基于文本的和基于内容的两类搜索方式。传统的图像搜索只识别图像本身的颜色、纹理等要素，基于深度学习的图像搜索还会计入人脸、姿态、地理位置和字符等语义特征，针对海量数据进行多维度的分析与匹配。
该技术的应用与发展，不仅是为了满足当下用户利用图像匹配搜索以顺利查找到相同或相似目标物的需求，更是为了通过分析用户的需求与行为，如搜索同款、相似物比对等，确保企业的产品迭代和服务升级在后续工作中更加聚焦。责任编辑人：CC
人工智能的常用十种算法
1.决策树根据一些feature进行分类，每个节点提一个问题，通过判断，将数据分为两类，再继续提问。这些问题是根据已有数据学习出来的，再投入新数据的时候，就可以根据这棵树上的问题，将数据划分到合适的叶子上。
2.随机森林视频
在源数据中随机选取数据，组成几个子集
S矩阵是源数据，有1-N条数据，ABC是feature，最后一列C是类别
由S随机生成M个子矩阵
这M个子集得到M个决策树
将新数据投入到这M个树中，得到M个分类结果，计数看预测成哪一类的数目最多，就将此类别作为最后的预测结果
3.逻辑回归视频
当预测目标是概率这样的，值域需要满足大于等于0，小于等于1的，这个时候单纯的线性模型是做不到的，因为在定义域不在某个范围之内时，值域也超出了规定区间。
所以此时需要这样的形状的模型会比较好
那么怎么得到这样的模型呢？
这个模型需要满足两个条件大于等于0，小于等于1大于等于0的模型可以选择绝对值，平方值，这里用指数函数，一定大于0小于等于1用除法，分子是自己，分母是自身加上1，那一定是小于1的了
再做一下变形，就得到了logisticregression模型
通过源数据计算可以得到相应的系数了
最后得到logistic的图形
4.SVM视频
supportvectormachine
要将两类分开，想要得到一个超平面，最优的超平面是到两类的margin达到最大，margin就是超平面与离它最近一点的距离，如下图，Z2>Z1，所以绿色的超平面比较好
将这个超平面表示成一个线性方程，在线上方的一类，都大于等于1，另一类小于等于－1
点到面的距离根据图中的公式计算
所以得到totalmargin的表达式如下，目标是最大化这个margin，就需要最小化分母，于是变成了一个优化问题
举个栗子，三个点，找到最优的超平面，定义了weightvector＝（2，3）－（1，1）
得到weightvector为（a，2a），将两个点代入方程，代入（2，3）另其值＝1，代入（1，1）另其值＝-1，求解出a和截矩w0的值，进而得到超平面的表达式。
a求出来后，代入（a，2a）得到的就是supportvector
a和w0代入超平面的方程就是supportvectormachine
5.朴素贝叶斯视频
举个在NLP的应用
给一段文字，返回情感分类，这段文字的态度是positive，还是negative
为了解决这个问题，可以只看其中的一些单词
这段文字，将仅由一些单词和它们的计数代表
原始问题是：给你一句话，它属于哪一类
通过bayesrules变成一个比较简单容易求得的问题
问题变成，这一类中这句话出现的概率是多少，当然，别忘了公式里的另外两个概率
栗子：单词love在positive的情况下出现的概率是0.1，在negative的情况下出现的概率是0.001
6.K最近邻视频
knearestneighbours
给一个新的数据时，离它最近的k个点中，哪个类别多，这个数据就属于哪一类
栗子：要区分猫和狗，通过claws和sound两个feature来判断的话，圆形和三角形是已知分类的了，那么这个star代表的是哪一类呢
k＝3时，这三条线链接的点就是最近的三个点，那么圆形多一些，所以这个star就是属于猫
7.K均值视频
想要将一组数据，分为三类，粉色数值大，黄色数值小最开心先初始化，这里面选了最简单的3，2，1作为各类的初始值剩下的数据里，每个都与三个初始值计算距离，然后归类到离它最近的初始值所在类别
分好类后，计算每一类的平均值，作为新一轮的中心点
几轮之后，分组不再变化了，就可以停止了
8.Adaboost视频
adaboost是bosting的方法之一
bosting就是把若干个分类效果并不好的分类器综合起来考虑，会得到一个效果比较好的分类器。
下图，左右两个决策树，单个看是效果不怎么好的，但是把同样的数据投入进去，把两个结果加起来考虑，就会增加可信度
adaboost的栗子，手写识别中，在画板上可以抓取到很多features，例如始点的方向，始点和终点的距离等等
training的时候，会得到每个feature的weight，例如2和3的开头部分很像，这个feature对分类起到的作用很小，它的权重也就会较小
而这个alpha角就具有很强的识别性，这个feature的权重就会较大，最后的预测结果是综合考虑这些feature的结果
9.神经网络视频
NeuralNetworks适合一个input可能落入至少两个类别里
NN由若干层神经元，和它们之间的联系组成第一层是input层，最后一层是output层
在hidden层和output层都有自己的classifier
input输入到网络中，被激活，计算的分数被传递到下一层，激活后面的神经层，最后output层的节点上的分数代表属于各类的分数，下图例子得到分类结果为class1
同样的input被传输到不同的节点上，之所以会得到不同的结果是因为各自节点有不同的weights和bias
这也就是forwardpropagation
10.马尔可夫视频
MarkovChains由state和transitions组成
栗子，根据这一句话‘thequickbrownfoxjumpsoverthelazydog’，要得到markovchain
步骤，先给每一个单词设定成一个状态，然后计算状态间转换的概率
这是一句话计算出来的概率，当你用大量文本去做统计的时候，会得到更大的状态转移矩阵，例如the后面可以连接的单词，及相应的概率
生活中，键盘输入法的备选结果也是一样的原理，模型会更高级
原文出自：https://www.imooc.com/article/32691