一、 什么是人工智能？
人工智能（Artificial Intelligence），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技术科学。
企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，相关研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
人工智能通俗而言就是使一部机器的反应方式像人一样进行感知、认知、决策、执行的人工程序或系统。
二、 人工智能、机器学习、深度学习的关系
机器学习：一种实现人工智能的方法。
深度学习(DL)：一种实现机器学习的技术，人工神经网络是机器学习中的一个重要的算法，“深度”就是说神经网络中众多的层。
也就是说三者之间是包含与被包含的关系：
一些熟知的深度学习领域的前驱公司如下图：
三、深度学习入门基础
Ⅰ、 深度学习优势
1.以图像识别为例，我们对于深度学习的理想目标是能够让计算机向人一样理解图像，而实际目标却是让计算机将语义概念相似的图像划分为同一类别。
2.图像识别面临的挑战：
语义鸿沟(Semantic Gap)现象：the gap between low-level visual features and high-level concepts
（图像的底层视觉特性和高层语义概念之间的鸿沟）
例如：相似的视觉特性(color, texture, shape，…) ,不同的语义概念
又例如：不相似的视觉特性,相同的语义概念
3.传统方法是用全局的视觉底层特性统计量表示图像，但这样会导致全局特征丢掉了图像细节，导致错误匹配。而且传统方法需要人工提取图像特征，非常费时费力。很大程度上靠经验和运气，而深度学习则解决了这一个问题，深度学习是学习特征。
Ⅱ、 深度学习的一般过程:
Ⅲ、深度学习的数学基础
数据表示——标量、向量、矩阵和张量
（1）向量的范数、常见的向量
（2）常见的矩阵、矩阵的操作
优化的基础——导数及其应用
（1）导数、泰勒公式
（2）拉格朗日乘数法
概率模型的基础——概率论
（1）概率分布、边缘概率、条件概率
（2）期望、方差和协方差
Ⅳ、深度学习框架
深度学习框架的优势：
易用性：屏蔽底层，用户只需关注模型结构。同时，深度学习工具简化了计算，降低了深度学习入门门槛。
高效性：灵活的移植性，可将代码部署到CPU/GPU/移动端上。选择具有分布式性能的深度学习工具会使模型训练更高效。
因此，选择一个合适的深度学习框架和编程语言可以事半功倍！
比较著名的框架有TensorFlow、keras等，小编最近刚刚接触到的AI Studio也感觉非常不错，很适合小白学习，这是个针对AI学习者的在线一体化开发实训平台，推荐大家尝试一下，官网为：https://aistudio.baidu.com/aistudio/index
