別把機器學習和人工智能搞混了！

智力就是理性思考和控制行爲的能力。人類有智慧去思考和利用常識來做出決定。人工智能就是一個構建智能代理的研究領域，所以將來咱們打造出來的人工智能能夠像人同樣思考並理性行事。圖靈測試由艾倫·圖靈（1950）提出，旨在提供使人滿意的智能操做定義。若是機器人具備如下功能，則能夠經過圖靈測試：

1. 經過理解和編寫天然語言與人交往；

2.知識表示（知道如何向用戶呈現知識）；

3.知識推理（知道如何從存儲的知識推斷回答以回答人類）；

4.機器學習推斷模式並適應新的環境。

簡而言之，AI就是研究有助於構建智能機器的規則和算法，AI解決的一組問題是NP徹底的。

人工智能是一個普遍的研究領域，涉及如下五個重要學科：

1. 專家系統；

2.神經網絡；

3.模糊系統；

4.機器人；

5.天然語言處理。

機器學習（ML）

機器學習是人工智能的一個子集，它經過算法在數據中學習得到一些人類須要的數據。學習能夠把人變整天才，讓他們適應新的環境。一樣，機器的學習能力使其足夠強大以適應新的環境。任何機器學習算法的目標都是經過學習過程使其目標最大化，以便它可以處理看不見的數據。

實現機器學習的兩個關鍵學習方法（算法）是： 

1. 監督學習：外部設計者或標記數據有助於機器學習。

2.無監督學習：機器學習時沒有任何標籤數據或外部設計者。

人工智能的目標是使機器像人同樣地聰明。

專家系統

專家系統是依靠知識庫來解決問題的系統。知識庫能夠用不一樣的形式表示，如規則、語義網絡和決策樹。專家系統由知識庫和推理引擎組成，以從存儲的知識庫中推斷或推理知識。專家系統用於須要人類專家來解決特定問題的地方。

知識庫

基於規則的專家系統以規則的形式捕捉專家在特定領域的知識。這些規則構成知識庫，而後經過推理引擎對事實進行評估，以解決特定問題。規則示例：

若是天空很清晰，陽光燦爛，

那麼雨衣是不須要的。

優勢

1. 因爲規則以天然語言表示，所以易於捕捉對知識庫的理解。

缺點

1. 專家對同一主題的意見各不相同，這使得難以掌握領域知識。
2. 規則的維護和更新是一個漫長的過程。

並且不一樣領域內存在不一樣類型的專家系統，如基於規則的專家系統，模糊專家系統和基於框架的專家系統。

推理

專家系統中的推理經過向前或向後連接進行。正向連接是一種數據驅動推理技術，它從知道數據開始，並按照該規則前進。反向連接是一種目標驅動的推理，它從一個目標開始並向後推動以找到支持目標的數據。

神經網絡

人工神經網絡（ANN）受到人類神經系統的啓發。該系統的工做方式與人類大腦存儲和處理知識的方式徹底相同。與人類大腦很是類似的神經網絡由一組彼此高度鏈接的神經元或節點組成。信息在網絡的神經元中被存儲，處理和分析。每一個節點或神經元均可以激活網絡中的其餘神經元，神經元之間的連接或鏈接稱爲權重。一個網絡能夠包含n個神經元或節點，這能夠使網絡變得很是複雜。一個簡單的神經網絡由一個輸入和輸出層組成。

如下是不一樣類型的神經網絡：

• 前饋神經網絡；
• 卷積神經網絡（CNN）；
• 遞歸神經網絡；
• 長短時間記憶網絡（LSTM）。

人工神經網絡可以經過調整權重來學習。正是這種神經網絡的能力使它們適合於機器學習。不一樣類型的學習算法均可以用於神經網絡，其中最突出的是反向傳播算法。