目录
一、什么是人工智能
1、人工智能的定义
对于人工智能的定义，学界一直有不同的表述，一种被广泛接受的说法是：人工智能是通过机器来模拟人类认知能力的技术。
人工智能的涉及范围很广，涵盖了感知、学习、推理与决策等方面的能力。从实际应用的角度而言，人工智能最核心的能力就是根据给定的输入做出判断或预测。
2、人工智能发展史
人工智能包含机器学习，机器学习包含深度学习!
3、人工智能发展的基石——图灵测试
由图灵提出的图灵测试是用于对机器展现智能行为的能力的测试，测试某机器是否能表现出与人等价或无法区分的智能。
图灵提议使人类评估者使用测试对象皆理解的语言去询问两个他不能看见的对象（人与机器）任意一串问题，对话将局限于只有文本的频道，例如计算机键盘和屏幕，因此这样的结果是不依赖于计算机把单词转换为音频的能力。如果经过若干询问以后，评估者不能得出实质的区别来分辨人类与机器的不同，则此机器通过图灵测试。
4、人工智能的三大核心要素——数据、算法、算力
(1)数据
数据 在人工智能中的 作用 如同现实中 学习资料 对于 我们的作用。
(2)算法
&emssp;当我们交给计算机一个任务的时候，不仅要告诉他做什么，还要告诉他怎么做。关于 “怎么做” 的一系列指令就叫做算法。
如何解决如问题Q这样的问题？传统算法——遍历法更聪明的算法——“梯度下降法”更复杂的算法——机器学习(3)算力
算力（也称哈希率）是比特币网络处理能力的度量单位。即为计算机（CPU）计算哈希函数输出的速度。比特币网络必须为了安全目的而进行密集的数学和加密相关操作。 例如，当网络达到10Th/s的哈希率时，意味着它可以每秒进行10万亿次计算。
“大数据是人工智能发展的基础保障，是人工智能这台机器高速运转的燃料。没有大数据的支撑，人工智能就没有了燃料，谈不上发展。算力是人工智能发展的技术保障，是人工智能发展的动力和引擎。”
--------------------------------以上内容来自百度百科
什么是GPU，什么是CPU(参考学习)：https://blog.csdn.net/tian__si/article/details/121333523简而言之，CPU就是通用处理器，可以解决各种各样不同类型的问题，如我们的手机处理器，麒麟9000，高通骁龙888，天玑9000等等。而GPU是专用处理器，用在图像处理方面，进行大量的矩阵数据运算，在该方面的计算能力优于CPU，也就是我们常说的电脑显卡，也就是打游戏要好的画质体验需要一个给力的显卡。
谈谈GPU与FPGA的一些看法（参考学习）：https://blog.csdn.net/woshifennu1234/article/details/80742777
ASIC：专用集成芯片
TPU：世界上首个专门为 AI 量身定制的处理器之一是张量处理单元（TPU），也称张量处理器，是 Google 开发的专用集成电路（ASIC），专门用于加速机器学习。自 2015 年起，谷歌就已经开始在内部使用 TPU，并于 2018 年将 TPU 提供给第三方使用，既将部分 TPU 作为其云基础架构的一部分，也将部分小型版本的 TPU 用于销售。
5、人工智能关系圈
（1）机器学习：一种实现人工智能的方法。是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。（2）深度学习：一种实现机器学习的技术。是利用深度的神经网络，将模型处理得更为复杂，从而使模型对数据的理解更加深入，是机器学习中一种基于对数据进行表征学习的方法。其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。 深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。（3）人工神经网络：一种机器学习的算法。神经网络一般有输入层->隐藏层->输出层，一般来说隐藏层数量多于两层的神经网络就叫做深度神经网络，深度学习就是采用像深度神经网络这种深层架构的一种机器学习方法。
二、机器学习&深度学习
1、什么是机器学习？
上边我们说过，人工智能是通过机器模拟人类认知能力的技术。
传统的人工智能方法：逻辑推理、专家系统(基于人工定义的规则来回答问题)等当代人工智能普遍通过学习来获得进行预测和判断的能力————机器学习(machine learning)一般的猫：头圆、颜面部短，前肢五指，后肢四趾，趾端具锐利而弯曲的爪，爪能伸缩。夜行性。 ---百度百科我们可以通过这样的几个特征来判断一个动物是不是猫（即使用传统的人工智能方法），但是符合该特征的动物不一定是猫
机器学习是计算机利用已有的数据(经验)，得出了某种模型(迟到的规律)，并用此模型预测未来(是否迟到)的一种方法
典型的机器学习的过程：首先对训练数据进行类别标记，那样是好的，那样不是好的，然后使用学习算法结合数据开始训练，训练结束后会得到一个模型，如决策树、神经网络等。使用新的数据样本测试训练好的模型，看其能否正确分类。
2、什么是神经网络？
机器是怎么思考的？————人工神经网络
(1)神经元即神经元细胞，是神经系统最基本的结构和功能单位。分为细胞体和突起两部分。细胞体由细胞核、细胞膜、细胞质组成，具有联络和整合输入信息并传出信息的作用。突起有树突和轴突两种。
神经细胞即神经元。神经系统有大量神经元，神经元之间的联系仅表现为彼此互相接触，但无原生质连续。典型的神经元树突多而短，多分支；轴突则往往很长，在其离开细胞体若干距离后始获得髓鞘，成为神经纤维。
(2)生物神经网络主要是指人脑的神经网络，它是人工神经网络的技术原型。人脑是人类思维的物质基础，思维的功能定位在大脑皮层，后者含有大约10^11个神经元，每个神经元又通过神经突触与大约103个其它神经元相连，形成一个高度复杂高度灵活的动态网络。作为一门学科，生物神经网络主要研究人脑神经网络的结构、功能及其工作机制，意在探索人脑思维和智能活动的规律。
(3)人工神经网络是生物神经网络在某种简化意义下的技术复现，作为一门学科，它的主要任务是根据生物神经网络的原理和实际应用的需要建造实用的人工神经网络模型，设计相应的学习算法，模拟人脑的某种智能活动，然后在技术上实现出来用以解决实际问题。因此，生物神经网络主要研究智能的机理；人工神经网络主要研究智能机理的实现，两者相辅相成。
(4)感知器是人工神经网络中的一种典型结构
(5)神经网络的逻辑架构
输入层输入长方体，隐藏层通过长方体的不同特征判断是否符合某个特征，在输出层输入判别结果。
3、什么是深度学习？
(1)深度神经网络&深度学习
传统的神经网络发展到了多隐藏层的情况，具有多个隐藏层的神经网络被称为深度神经网络，基于深度神经网络的机器学习研究称之为深度学习。
人工智能（AI）
机器学习（ML）
深度学习（DL）
4、人工智能为什么这么火
(1)主要原因
➢ 国家扶持
➢ 前沿科技
➢ 应用广泛
➢ 未达瓶颈
(2)人工智能可以做的方向
计算机视觉 典型技术：人脸检测、追踪、识别和属性分析，行人、车辆的检测、追踪、识别和属性分析，文字检测和识别，物体检测和识别典型应用：人脸身份认证，智能交通，机器人视觉（如无人机），图像搜索引擎，图像和视频理解，图像和视频美化 语音识别 典型技术：语音识别、 声纹识别、 多麦克风阵列系统典型应用：语音输入， 语音控制， 智能助手， 机器翻译、 机器人听觉 自然语言 典型技术：词句嵌入、语义建模典型应用：聊天机器人，智能助手，智能客服，视频理解，机器翻译
三、计算机视觉
1、什么是计算机视觉？
几个比较严谨的定义：
✦ “对图像中的客观对象构建明确而有意义的描述”（Ballard＆Brown，1982）
✦ “从一个或多个数字图像中计算三维世界的特性”（Trucco＆Verri，1998）
✦ “基于感知图像做出对客观对象和场景有用的决策”（Sockman＆Shapiro，2001）
用一句话概况：
➢ 就是让计算机拥有人能所见、人能所识、人能所思的能力，就可以称计算机拥有视觉，即计算机视觉
2、计算机视觉的五大应用
(1)图像分类
图像分类架构–卷积神经网络（CNN)
详解卷积神经网络(必看)：https://blog.csdn.net/qq_25762497/article/details/51052861
线性整流层–RELU：f(x) = max (0, x)
池化层–pool：
(2)目标检测
目标检测–R-CNN：
(3)目标跟踪
(4)语义分割：是基于区域的多边形标注，对复杂不规则的图片进行区域划分并标注对应属性，助力图像识别模型训练，多应用于人体分割、场景分割和自动驾驶道路分割，可应用于智能驾驶、智能设备、智能安防场景落地。
语义分割-- FCN：
(5)实例分割(参考学习必看)：https://blog.csdn.net/qq_38680752/article/details/108036245
实例分割–Mask R-CNN：
3、计算机视觉的应用领域
• 安防
• 交通
• 工业生产
• 在线购物
• 信息检索
• 游戏娱乐
• 摄影摄像
• 机器人/无人机
• 体育
• 医疗
本文章参考了维基百科、百度百科、他人技术博客、八斗学院免费教程资料等综合整理而来，如有侵权，联系删除！水平有限，欢迎各位指导交流！
