"""
<axiner>聲明：
（錯了另刂扌丁我）
（如若有誤，請記得指出喲，謝謝了！！！）
"""
（記錄及總結 >>>網絡相關視頻及資料.....）
先來了解人工智能的定義:
構建智能機器，特別是智能計算機程序的科學和工程；人工智能是一種讓計算機程序能夠“智能地”思考的方式；思考的模式類似於人類...
智能：自主能力，自我意識 ...
人工智能三個時代：運算智能、感知智能、認知智能
感知：圖像識別、語音識別、觸覺識別
人工智能的需求：
1、提高品質
2、增加效率
3、解決難題
.....
需要的數學知識：
1、微積分
2、線性代數
3、統計學
.....
人工智能的知識關聯：
數據挖掘、知識發現、統計學、數據庫、
模式識別、機器學習、深度學習、神經網絡...
AI、ML、DL之間的關係：
機器學習是實現人工智能的一種方法，深度學習是機器學習的一個分支。（相當於包含關係: 深度學習<機器學習<人工智能）
=========
機器學習（Machine Learning）
`機器學習`中的`學習`指通過某個過程來達到質的改善
機器學習的必要：
-很多無法用人工編程來實現
-人會犯錯，機器不容易犯錯
-機器的計算能力越來越強
權威定義：
-對某類任務T(Task)和性能度量P(Performance)
-通過經驗E(Experience)改進後
-在任務T上由性能度量P衡量的性能有所提升
簡單定義：
用數據來解決問題
數據--訓練
解答問題--推測
機器學習大致等同於找一個好的函數/模型（Y = f(x))
機器學習的分類：
-監督學習 --有標籤
-非監督學習 --無標籤
-半監督學習 --有少部分標籤，最類似人的生活
-強化學習 --基於環境而行動，以取得最大化預期利益
機器學習的六步：
收集數據 >準備數據 >選擇/建立模型 >訓練模型 >測試模型 >調節參數
關鍵三步：
找一系列函數來實現預期的功能：建模問題
找一組合理的評價標準，來評估函數的 好壞：評價問題
快速找到性能最佳的函數：優化問題（比如梯度下降就是這個目的）
=========
什麼是深度學習？
基於深度神經網絡的學習研究。
其中`深度`指輸入到輸出之間的過程，若此過程中隱藏層大於2則可稱之爲深度。
`深度`的關鍵在於：
1、數據量
2、計算力
深度學習的三個階段：
輸入層。不同的參數設置
隱藏層。調整 參數權重
輸出層。輸出結果與預期比較