总结了一些基础的定义，希望可以帮助到ai的初学者。

1. 人工智能：人工智能是通过机器来模拟人类认知能力的技术

2. 机器学习：当代的人工智能普遍通过学习来获得进行预测和判断的能力。这样的方法被称为机器学习，它已经成为人工智能的主流方法。

   从数据中学习，机器学习分为监督学习、无监督学习和半监督学习

   在行动中学习，被称为强化学习

3. 向量（vector）：数字的个数称为向量的维数（dimension） 例如（1，3，5）的维数为3

4. 内积：两个具有相同维数的向量做内积，就是它们的每个数字对应相乘并求和

   （1，3）·（2，4）=1x2+3x4=14

5. 特征：可以对事物的某些方面的特点进行刻画的数字或者属性

6. 目标检测大概流程：输入图片->特征提取->分类器->识别图中物体

7. 特征向量（feature vector）：把描述一个事物的特征数值都组织在一起

   比如化的花瓣长度为1.1cm，宽度为0.1cm，那么该花的特征就可以用（1.1，0.1）来表示

8. 特征点(feature point): 将特征向量表示在直角坐标系中，比如（1.1，0.1）可以看成坐标系中的一个点

9. 特征空间（feature space）：特征点构成的空间

10. 两种常见的训练线性分类器的算法--感知器和支持向量机，它们提供了两种利用训练数据自动寻找参数的方法。

11. 感知器（perception）：

12. 损失函数（loss function）:在训练过程中用来度量分类器输出错误程度的数学化表示。

    预测错误程度越大，损失函数的取值就越大

13. optimization(优化)：就是调整分类器的参数，使得损失函数最小的过程

14. 分类间隔（classification margin）：两个类别中离分类直线最近的点到直线的距离和

    一个点距离分类直线越远，分类预测的可信程度越高

    从图中看到，橙色直线的阴影区域更宽，对应的分类间隔更大，其预测的确信程度也会更高。

15. 支持向量机（support vector machine,SVM）也叫线性支持向量机,在特征空间上分类间隔最大的分类器，它与感知器一样，是对两个类别进行分类

16. 归一化指数函数（softmax）：将一个向量“压缩”到另一个向量中，使得其中每一个元素的范围在（0，1）之间，并且元素和为1

17. 计算机眼中的图像

    图像表示为一个由数字组成的矩形阵列，小格子我们称为像素（pixel），而格子的行数和列数统称为分辨率（resolution）。反过来，如果给出一个数字组成的矩阵，我们将矩阵中的每个数值转换成为对应的颜色，并在电脑屏幕上显示出来，就可以复现这张图像。

    

矩阵可以堪称二维也可以堪看成三维 看成三维：m×n×1 （高为1）