一、人工智能的發展

人工智能（Artificial Intelligence），重點在“智能”，既然是智能，那它具備判斷和分析的能力，它是由人創造并服務于人的一種技術，

人工智能從1950年開始發展到今天，已經越漸成熟，我們可以將人工智能看作是最終的總目標，而機器學習則是實作這一目標的手段，我們可以通過機器學習這一個手段讓機器也變得跟人一樣有智慧，深度學習則是機器學習的一種方法，隨著算力的提升，GPU和TPU的運用，深度學習也得以發展，

二、如何做到人工智能

1、機器智慧的來源

機器的智慧來源于兩個方面：先天的本能和通過后天學習的手段表現的很有智慧，先天的本能是由設計者一開始就將其設計好的，后天的學習是極其重要的，它會使得機器顯得更加智能和人性化，
例如，當我們需要假設有一天你想要做一個chat-bot，我們不是用機器學習的方式，而是給他天生的本能的話，這樣就會變成社么樣子呢？
我們可能就會在這個chat-bot里面設定一些規則，這些規則我們通常稱hand-crafted rules，叫做人設定的規則，那假設你今天要設計一個機器人，他可以幫你打開或關掉音樂，那你的做法可能是這樣：設立一條規則，就是寫程式，如果輸入的句子里面看到“turn off”這個詞匯，那chat-bot要做的事情就是把音樂關掉，這個時候，你之后對chat-bot說，Please turn off the music 或can you turn off the music, Smart? 它就會幫你把音樂關掉，看起來好像很聰明，別人就會覺得果然這就是人工智慧，如果今天我們對它說please don‘t turn off the music，但是他還是會把音樂關掉，這種人工智能顯然不是我們想要的人工智能，

當然，我們在使用hand-crafted rules的時候，也會暴露出許多的弊端，我們是無法考慮到所有的可能性的，我們使用hand-crafted rules創造的機器都是只有先天的本能的，而不具備后天的學習能力，這種機器就只能在特定的場景里面做特定的事情，顯然并不能算的上是人工智能，

通過這兩個例子我們可以發現，先天的本能并非是非重要，極其關鍵的應該是后天機器的學習能力，只有賦予機器極強的學習能力，人工智能才有可能超過人類，成為真正意義上的人工智能，

2、Machine Learning

在機器學習中我們最主要的任務就是找到一個合適的function，通過我們給這個function一些input從而得到output，進而實作一些功能，

機器學習主要分成三個步驟：
1、找到一個函式集
2、寫出評價函式好壞的方程（這主要是用來訓練模型）
3、選擇一個最合適的方程

完成這三步將會是之后機器學習最重要的三個步驟，

三、機器學習的相關技術

1、Supervised Learning(監督學習)

supervised learning 需要大量的training data，這些training data告訴我們說，一個我們要找的function，它的input和output之間有什么樣的關系而這種function的output，通常被叫做label(標簽)，也就是說，要使用supervised learning這樣?種技 術，我們需要告訴機器，function的input和output分別是什么，而這種output通常是通過?工的方式標注出來的，因此也被稱為人工標注的標簽(label)，它的缺點是需要大量的人力勞動(effort)
Regression(回歸)
regression是machine learning的?個task，特點是通過regression找到的function，它的輸出是?個scalar數值，
比如PM2.5的預測，給machine的training data是過去的PM2.5資料，而輸出的是對未來PM2.5的預測數值，這就是一個典型的regression的問題，

Classification(分類) regression和classification的區別是，我們要機器輸出的東西的型別是不?樣的，在regression里機器輸出的是scalar，
而classification又分為兩類：
Binary Classification(?元分類)：在binary classification里，我們要機器輸出的是yes or no，
比如G-mail的spam filtering(垃圾郵件過濾器)，輸?是郵件，輸出是該郵件是否是垃圾郵件，
Multi-class classification(多元分類)：在multi-class classification?，機器要做的是選擇題，等于給他數個選項，每?個選項就是?個類別， 它要從數個類別??選擇正確的類別
比如document classification(新聞文章分類)，輸?是一則新聞，輸出是這個新聞屬于哪?個類別(選項)

2、Semi-supervised Learning(半監督學習)

如果想要做一個區分貓和狗的function
手頭上有少量的labeled data，它們標注了圖片上哪只是貓哪只是狗；同時又有大量的unlabeleddata，它們僅僅只有貓和狗的圖片，但沒有標注去告訴機器哪只是貓哪只是狗，在Semi-supervised Learning的技術里面，這些沒有labeled的data，對機器學習也是有幫助的，

3、Transfer Learning(遷移學習)

假如，我們還是做做貓和狗的分類問題，我們也一樣只有少量的有labeled的data；但是我們現在有?量的不相干的data(不是貓和狗的圖片，而是一些其他不相干的圖片)，在這些?量的data里面，它可能有label也可能沒label，
Transfer Learning要解決的問題是，這一堆不相干的data可以對結果帶來什么樣的幫助，在遷移學習中我們可以減少data的用量

4、Unsupervised Learning(無監督學習)

與監督學習不同的是：在無監督模型中，data全部沒有對應的label，我們給入模型大量的資料，讓機器去學習，機器學到什么就是什么，

假設我們今天帶機器去動物園讓它看一大堆的動物，它能不能夠在看了一大堆動物以后，它就學會自己創造一些動物，那這個都是真實體子，仔細看了大量的動物以后，它就可以自己的畫一些狗出來，有眼睛長在身上的狗、還有乳牛狗等等，

4、Structured Learning(結構化學習)

顧名思義，在structured Learning里，我們要機器輸出的是，一個有結構性的東西

舉例來說，在語?識別的情境下，機器的輸入是?個聲音信號，輸出是?個句子；句子是由許多詞匯拼湊而成，它是一個有結構性的object，或者說機器翻譯、人臉識別(標出不同的人的名稱)

5、Reinforcement Learning(強化學習)

在Supervised Learning中，我們會告訴機器正確的答案是什么 ，其特點Learning from teacher
比如訓練?個聊天機器?，告訴他如果使用者說了“Hello”，你就說“Hi”；如果使用者說了“Byebye”，你就說“Good bye”；就好像有?個家教在它的旁邊手把手地教他每?件事情
而在Reinforcement Learning中：我們沒有告訴機器正確的答案是什么，機器最終得到的只有一個分數，就 是它做的好還是不好，但他不知道自己到底哪里做的不好，他也沒有正確的答案；很像真實社會中的學習，你沒有一個正確的答案，你只知道自己是做得好還是不好，
比如訓練?個聊天機器人，讓它跟客人直接對話；如果客人勃然大怒把電話掛掉了，那機器就學到 一件事情，剛才做錯了，它不知道自己哪里做錯了，必須自己回去反省檢討到底要如何改進，比如 一開始不應該打招呼嗎？還是中間不能罵臟話之類的，
其實在很多人都熟知的Alpha Go中就是用supervisedLearning+reinforcement Learning的方式去學習的，機器先是從棋譜學習，有棋譜就可以做supervised的學習；之后再做reinforcement Learning，機器的對手是另外一臺機器，Alpha Go就是和自己下棋，然后不斷的進步，