人工智能基础知识入门
本分类包括AI人工智能、机器学习、算法、深度学习......
涉及知识很广：高等数学、线性代数、概率论、经济学等等方面的知识。
开始今天的文章：
背景：
首先，大家看下面这张图片，可以看出这就是一个锤子，但是让我们想想锤子是怎么生产出来的呢？
寻找材料->给锤子造型->高温打造->入水进一步塑性...
锤子的建造是不是根据我们需要的需求一步一步变化的呢？答案是当然的，是不是可以归纳为：
不同的输入对应不同的输出显然，没问题这是不是就和我们以前学的函数y=f(x)联系起来啦。
在美国，曾经有这么一个节目（PlinKo），大概就是在现场挑选一名幸运观众到台上完成一个游戏，将圆球从大板上扔下来如果扔到对应的轨道里就获得相应的奖品。
这里是不是就可以把扔球的位置看做一个变量，结果看做一个对应的值呢一个输入对应一个输出
来看一下这位观众中奖时的样子，大致看一下：
背景分享完了，下面我们直接奔向主题： 抓取原理，借助数学知识，解决实际的问题（例如：如何让我们每次扔圆球都扔到中奖的位置呢？），这里就是通过简单的公式去验证原理，而是通过代码实现的方式去证明。
圆球位置的变化会让结果也发生变化，很强大的理论。
可以理解为：输入对应输出
我们通过大量的实验来找到这里面的规律，我们就可以结合AI知识开发一个智能机器人，通过扔圆球来获得大奖。
简单来说就是，通过数据，数据会说话（转化为一种信息），建立一个模型（方法）来解决实际的问题，再通过数据来训练模型，最后我们就可以通过feature来预测label了！
人类通过回忆之前的经历，衍生出经验，对于下次类似的事情就有解决的办法，对应的解决措施。例如：上图的决策树，判断条件判断结果。通过天气因素，判断车的到达时间，我们就可以通过收集大量的数据，选择一个模型，从而实现预测。
机器学习其实就是通过以前的数据，找出规律，建立模型，从而预测未来。机器学习是实现人工智能（AI）的一个途径。
机器学习和我们备战高考其实是一样的道理，我们通过做模拟题，找到出题规律，对一些题目建立模型，找到方法，我们模拟的分数越高，我们的高考成绩就会相应的预测的更好。
模拟一个扔圆球的游戏，来进行分析，最后预测不同位置所对应的不同结果。
通过map()函数，通过设置函数，对应一个新的列表。
Python中的numpy库有两种排序，一种是排序后返回列表，另一种是通过返回下标。
这里我们选择knn算法模型进行代码实现预测：
这样就可以通过这个简单的knn（一维方法）进行预测，预测的效果可能不是很精确，接下来就要采取措施提高模型优化。
解决方案：
调参增加数据维度增加测试数据改变模型，改变算法重新优化数据集：
分为训练集和测试集（比例大概10:1）
k的选择
一般选择训练集的条数开根号,上下15个百分点适宜...
通过我们收集的预测导入得出：
补充：处理数据，把数据充分打散，拆分成训练集和测试集
如何计算准确率：
如果找到最好的参数后，准确率还不够的话，我们就进入到下一步，增加变量的个数.
增加新的变量：
我们研究的数据都是基于数字，所以这里就将球颜色的信息转化为球的弹性数据，如何转换呢？
可以在加载test_data数据的时候进可以转换，np.loadtxt(...)中的api coverters={数据列数（从0开始数）:转换函数} 同时注意设置的编码 编码要与读取文件的编码匹配
假设变量是多维度的，那我们如何进行呢？
这里就要定义一个新的参考概念了，欧氏距离！
d=根号下所有变量与预测变量差的平方之和
那我们新的代码就可以写了，增加变量feature：
但是，这样做精确率并没有上升多少，为什么？？？
因为颜色这个指标的差距实在太小，我们需要换方法，在原来模型的基础上再次调优！
引入数据处理之数据归一化，数据整形：
让每一个变量都有发言权！不会再因为变量之间的差距过于小而没有效果。
其实就是设置一个比例，各个变量设置比例即可
代码实现：
可以看出还影响小球落地位置的因素，假设变量足够多，我们又该如何是好呢？难道继续采用挨个变量归一化设置标准欧式距离吗？？？
接下来，向量出场了！
向量之向量的点乘概念：
有必要说一下两个向量之间的夹角，如果夹角越小，他的余弦值就越大，代表两个向量就越接近，例如：我们的推荐系统，猜你喜欢，就是根据向量的点乘实现的。两个商品就好像是两个向量，如果他们之间的夹角越小，点乘的结果越大，两个商品就越相似，就越推荐相似的商品给客户。
以上就是使用基本的知识实feature对应的label结果...
谢谢大家的阅读！！！
人工智能之基础理论
1.大数据智能理论。研究数据驱动与知识引导相结合的人工智能新方法、以自然语言理解和图像图形为核心的认知计算理论和方法、综合深度推理与创意人工智能理论与方法、非完全信息下智能决策基础理论与框架、数据驱动的通用人工智能数学模型与理论等。
2.跨媒体感知计算理论。研究超越人类视觉能力的感知获取、面向真实世界的主动视觉感知及计算、自然声学场景的听知觉感知及计算、自然交互环境的言语感知及计算、面向异步序列的类人感知及计算、面向媒体智能感知的自主学习、城市全维度智能感知推理引擎。
3.混合增强智能理论。研究“人在回路”的混合增强智能、人机智能共生的行为增强与脑机协同、机器直觉推理与因果模型、联想记忆模型与知识演化方法、复杂数据和任务的混合增强智能学习方法、云机器人协同计算方法、真实世界环境下的情境理解及人机群组协同。
4.群体智能理论。研究群体智能结构理论与组织方法、群体智能激励机制与涌现机理、群体智能学习理论与方法、群体智能通用计算范式与模型。
5.自主协同控制与优化决策理论。研究面向自主无人系统的协同感知与交互，面向自主无人系统的协同控制与优化决策，知识驱动的人机物三元协同与互操作等理论。
6.高级机器学习理论。研究统计学习基础理论、不确定性推理与决策、分布式学习与交互、隐私保护学习、小样本学习、深度强化学习、无监督学习、半监督学习、主动学习等学习理论和高效模型。
7.类脑智能计算理论。研究类脑感知、类脑学习、类脑记忆机制与计算融合、类脑复杂系统、类脑控制等理论与方法。
8.量子智能计算理论。探索脑认知的量子模式与内在机制，研究高效的量子智能模型和算法、高性能高比特的量子人工智能处理器、可与外界环境交互信息的实时量子人工智能系统等。
人工智能涉及哪些学科
人工智能是一个综合学科，其本身又分为多个方面如神经网络、机器识别、机器视觉、机器人等。一个人想自学所有人工智能方面并不是很容易的一件事。对于你想知道人工智能在编程方面需要多深的要求。怎么说好呢无论C++还是汇编他都是一门语言主要会灵活运用。大多机器人仿真都用的混合编程模式，也就是运用多种编程软件及语言组合使用。之所以这样是为了弥补语言间的不足。prolog在逻辑演绎方面比突出。C++在硬件接口及windos衔接方面比较突出，MATLAB在数学模型计算方面比较突出。如果单学人工智能算法的话prolog足以，如果想开发机器仿真程序的话VC++MATLAB应该多学习点。下面是小编整理的相关书籍，仅供参考。1.人工智能算法方面:《人工智能及其应用》第三版、人工智能与知识工程。。第一本感觉能简单并且全面点。这类书其实很多可是大多内容都是重复的所以买一到两本即可。2.机器视觉算法方面:《机器视觉算法与应用》这本书讲的大多都是工业化生产中机器视觉应用。从内容来说并不是很简单，建议不要当入门教材来学习。3.机器人方面：新版《机器人技术手册》日译的书。这本书由基础到应用以及一些机器人实际问题上讲述得很全面。强烈建议买一本。二、学习人工智能AI需要下列最基础的知识：1.需要数学基础：高等数学，线性代数，概率论数理统计和随机过程，离散数学，数值分析。2.需要算法的积累：人工神经网络，支持向量机，遗传算法等等算法;当然还有各个领域需要的算法，比如要让机器人自己在位置环境导航和建图就需要研究SLAM;总之算法很多需要时间的积累。3.需要掌握至少一门编程语言，毕竟算法的实现还是要编程的;如果深入到硬件的话，一些电类基础课必不可少。人工智能一般要到研究生才会去学，本科也就是蜻蜓点水看看而已，毕竟需要的基础课过于庞大。