为什么学人工智能

人工智能势必是改变人类未来的生活的巨大的技术变革，人工智能带来的巨大影响，已经让人工智能成为所有人都应该具备的一种新的思维方式。把已发明的事物优化一下就能取代50%的人的工作，这个改变太可怕了。

人工智能的应用

1. 机器人行业 工业上越来越多工业机器人代替人的工作；
2. 医疗行业 现在可以通过人工智能技术提高对糖尿病病人视网膜病变的早筛查早诊断早治疗，癌症，现在也可以通过人工智能技术提高检测的准确率。
3. 交通行业 无人车，无人机，导航技术；
4. 人脸识别技术各大交通运输站，火车，飞机，都已经使用人脸识别。
5. 自然语言处理技术各种翻译软件，翻译主播。
6. 艺术人工智能写诗，将一幅画千变万化。

小白学人工智能

1. 基础 不需要很深的数学基础，编程基础；
2. 看智能小恐龙: 源代码在(GitHub项目的基础上进行修改.
   
   
3. 智能小恐龙，通过距离，障碍物高度，
4. 声控小恐龙，首先用户对小恐龙的跳，走动做用声音进行定义，然后通过声音对小恐龙进行控制。

人工智能就是f(x)=y

1. 什么是人工智能我比较认同：让机器向人一样智能化。
   人工智能=人工+智能
2. 什么是机器学习重组已有的经验和规律，研究出一个新的规律。比如：小孩子搭积木。
3. 生活中的f(x)=y通过做过的题目( x )和已知答案(y)学习解题方法(f)。
4. 机器学习中的f(x)=y
   机器学习的核心是使用大量的数据(已经做过的题目和答案)来训练，通过各种算法从数据中学习(解题方法)如何完成任务(解答高考题目)
   简单来说，求解公主是什么就是机器学习的任务。只是以前我们数学是知道f(x),求y,或者知道f(x）的类型。而现在就是知道x,y,不知道f(x)的类型，和具体f(x)，要求出f(x).
   机器学习算法就是从已收集的数据中通过不断学习自动分析获得规律f，是从已收集到的x,y中获得f.碰到新的x,可以用f分析得到y.
   
   但是想找到F(x),并不是那么容易的。

线性F(x)

什么是线性？
线性F(x)就是对x数据集一刀切。就是用直线将数据分割，如图，将不同类型的数据分成两大类，并且直线上没有点，那就是成功的把数据分成了两类。

非线性F(x）

我们知道很多时候，我们生活中的数据是线性不可分的。我们很难找到一条直线，将现实中的数据，很好的用一条直线分成两类。于是，我们就要用到非线性F(x)来解决实际问题。
非线性方法就是：折线，曲线，空洞

更复杂的非线性

初识KNN

什么是KNN

何谓K近邻算法，即K-Nearest Neighbor algorithm,简称KNN算法，单从名字来猜想，可以简单粗暴的认为是:分析一个人时，我们不妨观察和他最亲密的几个人。同理的，在判定一 个未知事物时，可以观察离它最近的几个样本，这就是kNN (k最近邻)的方法。总的一句话就是**“物以类聚，人以群分”**这就是KNN的核心要义。
就比如你玩游戏，找一个合适的队友，你要从你认识的人，朋友中选择队友，这就时候你就需要衡量些参数，比如他们的挂机局数和胜利局数，然后等等一些指标能将他们分成几类人，一类从来不打游戏，第二类，很厉害，但是经常挂机，最后一类比较平均，TA胜利得多挂机得少，这种同学就是很好的游戏伙伴。

算法的思想

KNN是常用的分类方法。有一个就近原则。
KNN分类原理:
1)把已经分类或需要分类的样本在定义的特征空间上表征
2)需要分类的样本选择特征空间上和自己最邻近的K个样本
3)需要分类的样本的类别就是这K个样本中最多的那个类别。

例如，在区分猫狗的实验模型中，KNN算法利用MobileNetV1模型计算1000维特征值，利用欧氏距离公式计算样本的距离，KNN的分类效果和样本的选择有很大的关系，样本过少，区分效果可能与事实相反。

算法的步骤

step.1—建立模型
step.2—计算未知样本和每个训练样本的距离dist
step.3—得到目前K个最临近样本中的最大距离maxdist
step.4—如果dist小于maxdist,则将该训练样本作为K-最近邻样本
step.5—重复步骤2、3、4,直到未知样本和所有训练样本的距离都算完
step.6—统计K个最近邻样本中每个类别出现的次数
step.7—选择出现频率最大的类别作为末知样本的类别

算法的三要素

模型、学习准则、优化算法．

初识神经网络

“深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更v加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示”。

上述概念有点难以理解，那么简单来说，就是y=f(x)的扩展一下，y1,y2,…yn=f(x1,x2,…,xn),这就是单个神经元。y={g1[f1(x1…,…Xn),f2(…)],…gn[…]}，其中，g1、f1、f2、 gn都为函数

感知器

认识神经网络的第一步，认识感知器。在1969年就是觉得当时被寄予厚望的感知器连简单的XOR功能都实现不了，这让人工智能进入20年的冬天。

单层的感知器是一种线性模型。感知器，自动调整权重和偏移量来解决线性分类问题。非线性分类训练则不成功。而多层感知器可以解决非线性问题。

神经网络

例如：神经网络挑西瓜：在水果摊卖西瓜，需要考虑，颜色、纹路、、瓜蒂、回音等是我们可以直接获取到的因素也就是输入层，通过输入层来判断西瓜是沙瓤的、是甜的，然后考虑所有因素得到决策，决策因素也作为神经元节点，组成输出层。每个因素的权重都不同，各个人的偏爱程度又有所不同，还有价格问题，钱是否带够。

神经网络:
●神经元节点(颜色、纹理，瓜蒂.回音.沙瓤、甜等因素)
节点组成的层:
输入层(颜色.纹理，瓜蒂，回音等神经元组成的层)
隐藏层(沙瓤.甜等神经元组成的层)
输出层(买、不买等神经元组成的层)
然后学习就要通过样本训练，使模型不断训练，优化算法，这样一个“挑西瓜”神经网络就训练好了。

KNN和神经网络：

KNN要人工处理特征，神经网络则是计算机处理数据。KNN就像透明的盒子，而神经网络就是黑盒子。

本博客参考网站来自学堂在线.