人工智能
摘抄自《深度学习之Pytorch》。
定义
人工智能（Artificial Intelligence），也称机器智能，是指由人工制造出来的系统所表现的智能。所谓的智能，即值可以观察周围环境并据此作出行动已达到目的。
分类
人工智能的概念很宽泛，现在根据人工智能的实例将它分为三大类：
- 弱人工智能（Artificial Narrow Intelligence，ANI）
弱人工智能是擅长单个方面的人工智能，如AlphaGo。
- 强人工智能（Artificial General Intelligence，AGI）
达到类人级别的人工智能。强人工智能是指在各方面都能和人类比肩的人工智能，人类能干的脑力活，它都能干。创造强人工智能比创造弱人工智能难得多，目前还做不到。 Linda Gottfredson教授把智能定义为“一种宽泛的心理能力，能够进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作。”强人工智能在进行这些操作时应该和人类一样得心应手。
- 超人工智能（Artificial Super Intelligence，ASI）
牛津哲学家、知名人工智能思想及 Nick Bostrom把超级智能定义为 “在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能。”超人工智能可以是各方面都比人类强一点，也可以是各方面都比人类强万亿倍。
数据挖掘、机器学习和深度学习
数据挖掘
简而言之，数据挖掘就是在大型的数据库中发现有用的信息，并加以分析的过程，也就是人们所说的KDD（knowledge discovery in database）。
一个数据的处理过程，就是从输入数据开始，对数据进行预处理，包括特征选择、规范化、降低维数、数据提升等，然后进行数据的分析和挖掘，再经过处理，例如模式识别、可视化等，最后形成可用信息的全过程。
所以说数据挖掘只是一种概念，即从数据中挖掘到有意义的信息，从大量的数据中寻找数据之间的特性。
机器学习
机器学习算是实现人工智能的一种途径，它和数据挖掘有一定的相似性，也是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。不同于数据挖掘的从大数据之间找相互特性，机器学习更加注重算法的设计，让计算机能够自动地从数据中“学习”规律，并利用规律对未知数据进行预测。因为学习算法涉及了大量的统计学理论，与统计推断联系尤为紧密，所以也被称为统计学习方法。
分类
机器学习可以分为以下五个大类：
监督学习： 从给定的训练数据集中学习出一个函数，当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求是输入和输出，也可以说是特征和目标。训练集中的目标是由人标注的。常见的监督学习算法包括回归与分类。
无监督学习： 无监督学习与监督学习相比，训练集没有人为标注的结果，常见的无监督学习算法有聚类等。
半监督学习： 介于监督学习与无监督学习之间的方法。
迁移学习： 将已经训练好的模型参数迁移到新的模型来帮助新模型训练数据集。
增强学习： 通过观察周围环境来学习。每个动作都会对环境有所影响，学习对象根据观察到的周围环境的反馈来做出判断。
机器学习算法
传统的机器学习算法有以下几种：线性回归模型、logistic回归模型、k-临近算法、决策树、随机森林、支持向量机、人工神经网络、EM算法、概率图模型。
深度学习
深度学习的最初级版本是人工神经网络，这是机器学习的一个分支，其试图模拟人脑，通过更加复杂的结构自动提取数据特征。
深度学习结构
随着神经网络的发展，目前比较流行的网络结构分别有：深度神经网络（DNN）、卷积神经网络（CNN）、循环递归神经网络（RNN）、生成对抗网络（GAN）等等。