人工智能
不想人云亦云，于是来刨别家祖坟，一探究竟。
人工智能，一个热得不知所措的话题。就跟当年的“云”一样，聊得臭大街了，但什么是云？就想把你绕晕，其实都在云里雾里。
人工智能，artificial intelligence，缩写AI。由于命名的开放性，使得其定义轮廓较为模糊。简单来说，它是计算机学科的分支之一，是使用计算机模拟和学习人类思维过程和智能行为的学科。人工智能已经存在人们身边很久了。例如，搜索引擎对结果的排序，输入法的容错，相关新闻的推送，垃圾邮件的过滤等等。那么，如何让计算机具有人的思维方式呢？
机器学习
机器学习，machine learning，是指，让程序通过学习经验（即样本）E（Experience），完成任务T（Task），并不断提升任务完成准确率P（Performance）的过程。最著名的例子，alphago VS 李世石，前者通过学习不同棋手间的对弈，在人机对抗中，战胜围棋冠军。机器学习主要分为，监督学习（Supervised Learning）和无监督学习（Unsupervised Learning）。
两者的区别在于，监督学习的E，为input & result。希望通过给定输入（input），预估输出（result）。而无监督学习的E，仅为input。希望将给定的输入（input），归为不同的簇集（未知的分类）。
有监督学习
有监督学习，用于处理回归（Regression）和分类（Classification）问题。回归问题，从坐标图像显示效果来看，可回归为连续（Continuous）的线型或面，而分类问题多为离散型（Discrete），星点状，或存在重叠区域。
例如，图1，最经典的房价预估问题。统计某一区域内，已成交的房屋面积和对应售价，为该区域内某一面积的房屋预估售价。通过回归分析，得到房价与面积的对应关系。
图1中的+为样本值，而直线和曲线分别是用不同方法得出的关系函数。从得到的对应关系来看，不同的对应关系（直线或者曲线）所预估的结果也不同。只有通过大量的样本学习，才能得出较为准确的关系函数。当然了，实际房价也不仅仅与面积有关。
分类问题也较为普遍，最经典的肿瘤疾病判断问题，例如，图2。通过肿瘤大小，位置，患者年龄等一系列指标，判定患者是否患有癌症（或者患有何种癌症）。如上图，不同的坐标轴可能代表肿瘤的大小，位置，患者年龄，当然，也可能是其它参数。对应点的颜色则可能代表肿瘤的种类。
无监督学习
无监督学习用于处理聚类（Clustering，或聚簇）问题。即从给定的经验（样本集）中，发现和找到规律，将数据分类。而这些分类是事先所不知道的。例如，通过对图3的学习，获取类似图4的聚类方法。
无监督学习的应用也很广泛。例如，对于新闻的自动分类。当你在阅读某一条“NBA 火箭队交易”的新闻时，文章尾部的扩展阅读，将会提供类似的新闻。
小结
至此，本文完成了对人工智能的简单描述，并了解了机器学习的两种主要方法，以及方法的经典应用场景。此后，将进一步深入细节，了解实现。