一、人工智能、机器学习、深度学习关系：
我们平常说的Ai实际上是指人工智能，而机器学习仅仅是人工智能里面的一部分，被称为传统人工智能。而深度学习则是利用机器学习搭建的框架（其方向也不再是机器学习那种纯数学模型推导建立），其作用是将机器学习的算法格式化、集成化，从而大大降低了学习、使用的成本，在近几年相当流行。
Ai 的发展离不开两个原因：1、硬件水平的提高。2、大数据技术的发展。等到学习到后面，我们就会知道，深度学习模型最终的成果好不好关键就在于前期数据处理的好不好，所以大数据技术就非常关键，如何从有限的数据集中提取出更多有效信息成为非常重要的步骤（衍生出数据挖掘）。当然人工智能训练模型的过程非常复杂，需要非常多的运算量，所以硬件的水平也很重要。
二、深度学习的应用：
识别方向：
1、人脸识别
2、图像识别（淘宝的识物、百度的拍照识物等都是）
3、工业瑕疵（让摄像头配合计算机去看产品是否合格）
4、视频监控
其中图像识别可以再扩开讲有：1、医疗诊断。2、自动驾驶。3、病害诊断等
三、机器学习和深度学习
机器学习的缺点：1、数学要求高，公式推理复杂。2、无法格式化处理，每一问题都要具体处理数据、分析数据特征、建立具体数学模型.3、对编程能力要求高，由于数学公式复杂，所以实现这些公式的代码也就复杂。
深度学习：1、套路化。2、集成化，降低了使用门槛。3、把人工智能变为一个工具，只要套用接口便可实现。
具体步骤：1、收集信息. 2、信息标准化处理。3、配置模型（模型选择与参数调整与训练模型）。4、导出模型。5、预测结果
本专题项目中，我们将采用goole公司搭建的tensorflow深度学习框架。
四、未来方向
深度学习算法（创新开发）+云计算（本地不用装计算机）（需要极快通信技术）+大数据(深度学习结果好坏最关键的部分在于数据优劣）
五、神经网络简介
模拟人脑神经元的运行：
1、人脑神经元接受来自许多其他神经元的信息，并综合考虑这些信息做出判断。2、这些许多其他神经元的信息，也是经过很多其他神经元的共同作用才产生的。一级一级向深处递进，让整个神经考虑的因素越来越多，做出的判断越来越准确。3、神经元接受的信息要达到一个临界点才会发出新的信号。
就如本图：最开始三个黄点代表输入的x1、x2，x3.通过不同权重的线性组合变为a1、a2、a3、a4四种结果 。然后这个a1、a2~a4又通过一个权重的线性组合输出最终的结果（红色的点）。如果我们的层数越多，那么综合考虑的信息也就越多，所以最终结果就越准确。
举个例子：输入是双十一消费品化妆品、医用品、奢侈品、食用品四类。然后按不同的权重分配我们可以得到不同得线性组合结果。男性可能是1、1、1、7，女性是2、2、2、4，那么就会有两个不同得线性组合。然后一个男性护肤公司想要看男性消费得数据，我们就能给男性线性组合70%权重，女性线性组合30%，从而输出一个结果，而不是单纯只看男性的。因为我们知道男性女性如果是一起生活的话，女性的购买产品也会影响男性的购买产品，例如男性想要消费的一些产品可能是家中的女性购买的。所以如果仅仅考虑男性的购买产品，那么得到的男性消费数据可能不准确。
