**

• 人工智能

**：目前的人工智能有三种分类，分类依据主要是看我们如何解释“智能”二字。包括强人工智能、弱人工智能、实用型人工智能。 强人工智能是指创造出能够像人类一样拥有意识、可以思考的机器，我个人认为实现强人工智能是有可能的，但是我们还有很长的路要走，因为人工智能不止涉及计算机技术一门学科，还涉及心理学、哲学、自然语言等学科；不过既然有人类的智慧加持，我相信强人工智能的研制不会像生物进化一样缓慢。 弱人工智能只要求机器具有智能行为，例如深蓝（国际象棋电脑）、Alpha Go（围棋）… 最后还有实用型人工智能，它通常用于完成某些特殊的任务，例如排爆机器人、探月机器人等…

**

• 机器学习

**: 机器学习是人工智能的核心，它研究机器如何模拟或实现人类的学习行为，目前的机器学习主要是指利用数据改善系统自身的性能。机器学习算法可以分类为传统机器学习算法和深度学习算法。

1、传统机器学习算法分类：

• 分类方法

（目的是学会一个分类函数或者分类器，该模型能把给定的数据映射到对应的类别）

• 聚类方法

（在事先不知道数据分类的情况下，根据数据之间的相似程度进行划分，K-means 是我们最常用的基于欧式距离的聚类算法，其认为两个目标的距离越近，相似度越大）

• 回归方法

（一般用分类方法预测离散值，而用回归方法预测连续值，例如用户明天会吃什么）

• 关联规则

（挖掘海量数据之间存在的关系，应用：个性化推送）

• 协同过滤

（起源于信息过滤，过滤掉不相关的内容，只推荐感兴趣的内容）

相关算法包括：三层人工神经网络方法、adaboost算法、贝叶斯算法、K近邻方法、支持向量机方法。

（神经网络：模仿动物脑中的神经元而设计的算法模型，将人工神经元至少排列在三层结构中。通过调整内部大量结点互相连接的关系，以达到处理信息的目的。）

2.深度学习

深度学习又称深度神经网络（指超过三层的人工神经网络）。
其中 卷积神经网络和循环神经网络是两个典型的模型。
目前主流的开源算法框架有TensorFlow、PyTorch等。

本科学习的微积分、线性代数、概率论等都是机器学习的基础知识，还有python编程语言。

**

• 大数据

**
大数据是指在云计算、物联网、智慧城市等新技术环境下产生的新数据的统称。
特征：
数据量级大，数据类型多，数据流动快，数据潜在价值高。

**

• 数据挖掘

**：是指通过算法从大量的数据中搜索出隐藏的信息的过程。

**

• 云计算

**：是分布式计算的一种，用网络“云”将巨大的数据计算处理程序分解为无数个小程序，从而提高海量数据处理的速度。（搜索引擎）