In fact, the business plans of the next 10,000 startups are easy to forecast: Take X and add AI. Find something that can be made better by adding online smartness to it
- Kevin Kelly, The Inevitable: Understanding the 12 Technological Forces That Will Shape Our Future
Artificial Intelligence（人工智能）
FrançoisChollet在他的《用Python进行深度学习》一书中作了简短的描述：“使人类执行的智力任务自动化的努力。因此，人工智能是一个涵盖机器学习和深度学习的通用领域，但还包括许多不涉及任何学习的方法”。
例如，今天的聊天机器人ELIZA的前身是在麻省理工学院人工智能实验室创建的。该程序可以与人保持长时间的对话，但是在对话过程中无法学习新单词或纠正其行为。 ELIZA的行为将使用特殊的编程语言明确指定。
现代意义上的人工智能历史始于1950年代，当时艾伦·图灵（Alan Turing）和达特茅斯（Dartmouth）工作坊的作品汇集了该领域的第一批爱好者，并在其中阐述了人工智能科学的基本原理。此外，为了成为当今世界科学的关键领域之一，该行业经历了利益激增和随后的衰退（所谓的“人工智能冬天”）的几个周期。
值得一提的是强人工智能和弱人工智能的假设。强大的AI可以独立思考和意识到自己。弱小的AI被剥夺了这种能力，仅执行一定范围的任务（下棋，识别图像中的猫咪或画画，价格为432,500美元）。现有的所有AI都很薄弱，不用担心。
如今，很难想象没有使用AI的任何类型的活动。无论您是开车，自拍照，在网上商店自己买运动鞋还是计划假期，几乎每个地方都有小型，薄弱但已经非常有用的人工智能为您提供帮助。
Machine Learning（机器学习）
学习的能力是智力的关键特征之一。对于AI来说，一系列机器学习模型对此功能负责。它们的本质很简单：与经典算法不同，经典算法是一组清晰的指令，这些指令将输入的数据转换为结果，基于数据示例和相应结果的机器学习可发现数据中的模式，并产生将任意数据转换为所需结果的算法。
机器学习主要分为三类：
监督学习
根据数据示例对系统进行训练，每个示例均具有先前已知的结果。机器学习有两个最受欢迎的任务：回归和分类任务。回归是对连续结果的预测，例如房屋价格或制造业排放水平。分类-类别（类）预测，例如，电子邮件是否是垃圾邮件，书是侦探小说还是百科全书。
无监督学习
系统在数据中查找内部关系和模式。在这种情况下，每个示例的结果都是未知的。
强化学习
强化学习是一种方法，在该方法中，系统将针对正确的行为给予奖励，而对错误的行为予以惩罚。结果，系统学会开发一种算法，在该算法中，它获得最高的报酬和最低的罚款。
理想的机器学习模型可以分析任何数据，找到所有模式并创建算法以实现任何期望的结果。但是，尚未创建此理想模型。您可以在Pedro Domingos的“主算法”中了解其创建路径。
线性回归（Linear regression）是从统计数据推导的经典模型。顾名思义，它是为回归任务（即连续值的预测）而设计的。例如，根据天气情况，多少柠檬水将被出售。
逻辑回归（Logistic regression）用于分类任务。它预测给定样本属于特定类别的可能性。
决策树（Decision tree）是经常用于分类任务的方法。在此方法中，给定对象的类定义为一系列问题，每个问题通常涉及答案是或否。
K最近邻居（K-Nearest Neighbors）是一种简单快速的方法，主要用于分类。在此方法中，数据点类别由与数据点示例最相似的k（k可以是任何数字）确定。
朴素贝叶斯（Naive Bayes）是一种流行的分类方法，它利用概率论和贝叶斯定理来确定在给定条件下某个事件（电子邮件为垃圾邮件）的可能性（在电子邮件中找到“免费贷款”一词20次） 。
支持向量机（SVM）是一种受监督的机器学习算法，通常用于分类任务。即使每个对象具有许多相互关联的功能，它也可以有效地分离不同类的对象。
Ensembles组合了许多机器学习模型，并基于投票或平均每个模型的响应来确定对象的类别。
神经网络（Neural networks）基于人脑的原理。神经网络由许多神经元及其之间的连接组成。神经元可以表示为具有多个输入和一个输出的函数。每个神经元从输入中获取参数（每个输入可能具有不同的权重，这决定了其重要性），对它们执行特定的功能，并将结果提供给输出。一个神经元的输出可以是另一神经元的输入。因此，形成了多层神经网络，这是深度学习的主题。我们将更详细地讨论这一点。
通过研究给定的示例，神经网络会调整神经元之间的权重，以便为对获得所需结果影响最大的神经元赋予最大的权重。
Deep Learning（深度学习）
深度学习涉及深度神经网络。 关于深度的意见可能会有所不同。 一些专家认为，如果网络具有多个隐藏层，则可以将其视为深度网络；而另一些专家则只有在网络具有多个隐藏层的情况下，才能将其视为深度网络。
现在有几种类型的神经网络正在积极使用。 其中最受欢迎的是以下几种：
长短期记忆（LSTM）：用于文本分类和生成，语音识别，音乐作品生成以及时间序列预测。
卷积神经网络（CNN）：用于图像识别，视频分析和自然语言处理任务。
