1、人工智能概述

       人工智能是通过机器（具体说就是计算机）模拟人类的看听说想学等行为的智能科学技术。

       人工智能的概念起源于1056年的达特茅斯会议，1966年MIT的可以与人对话的小程序ELIZA；Frank Rosenblatt的神经网络感知机模型，1980年的XCON专家系统是知识库+推理机的组合，1982年Hopfield网络，1986年的反向传播算法。

        机器学习：让计算机自己学习的算法，出现的各种机器学习方法，神经网络也是机器学习的一种方法。

        人工智能是可以执行人类智能特征任务的机器，包含理解语言，识别物体和声音，学习和解决问题。广义人工智能具备人类智能的所有特征，狭义人工智能只能展示人类智能的某一方面。

        机器学习，实现人工智能的一种方式，统计机器学习，基于数据构建统计模型，利用模型对数据进行分析和预测。机器学习通过定义一种训练算法的方式来让机器能够自己进行学习，训练涉及算法和想算法提供大量数据并允许算法自我调整和改进。它包含监督学习，无监督学习，半监督学习，增强学习。

        深度学习，机器学习的众多方法之一。使用人工神经网络，利用神经元之间的互相连接形成多层。Frank Rosenblatt的神经网络感知机（单层神经网络系统），Paul Werbos反向传播算法。2012年ILSVRC冠军AlexNet多次卷积神经网络。

        深度学习的应用，计算机视觉，语音识别，自然语言处理。

2、Keras与TensorFlow

        Keras是对TensorFlow的高级封装，它们都是Python的开源深度学习库

       pip install keras  #Keras的安装

       pip install tensorflow  #TensorFlow的安装

        Keras是一个用Python编写的高级神经网络应用程序接口。

       搭建Keras模型

from keras.models import Sequential   #导入顺序模型
from keras.layers import Dense     #导入网络层对象
model=Sequential() #创建顺序模型
#创建64个神经元的全连接层，指定输入数据的维度
model.add(Dense(64,activation='relu',input_shape(64,))) #
#添加一个全连接层
model.add(Dense(64,activation='relu'))
#输出层
model.add(Dense(10,activation='softmax'))
model.summary()

3、机器学习基础

        算法让计算机从数据中学习到一些知识，从而让计算机智能地对未知的事物做出预测和判断。

3.1机器学习概念
       让计算机自己通过大量的数据寻找规则，让机器不断地提升自我完善，机器学习能够赋予机器学习的能力。
       机器学习是一种通过利用大量的数据，找到符合数据特征规则的模型，然后利用模型进行预测的方法。
       给计算机一些基础的算法模型，让计算机根据大量训练数据的特性，自己去调整模型中的一些相关参数，最终形成一个最佳的学习模型，再利用这个最佳的学习模型对未知的事物做预测。
      深度学习，神经网络也是基于模型搭建和调整参数的思想。
3.2机器学习算法
1、监督学习
       根据被提供的训练数据选择合适的算法进行训练，直到训练的模型收敛，新数据放入模型，模型可以根据新数据的特征信息，预测一个与这个特征符合的结果。训练数据集要求包含输入和输出，包含特征和相应标签。监督学习的过程是进行特征的提取。回归算法和分类算法解决的问题大部分属于监督学习领域。常用的监督学习的算法模型有：线性回归，逻辑回归，决策树，支持向量机，朴素贝叶斯，K-近邻值。
2、无监督学习
        训练的数据样本没有人工标注，在没有标签的数据上找出潜在的规律。聚类算法，降维算法.
3、半监督学习
        训练阶段使用大量无标签的数据和少量有标签的数据，真实的数据分布不是完全随机的，通过有标签的数据的局部特征和无标签的数据的整体分布。
4、强化学习
        智能体在与环境的交互过程中，通过学习策略的不断调整自身达成回报最大化的问题。
3.3回归与分类
1、回归
        研究自变量与因变量之间的关系，用于预测分析，有线性回归和非线性回归
        线性回归
        x，y变量建立线性一元一次直线方程y=wx+b定义为数据模型，寻找一种计算方法，求解出方程的系数w和b.求解直线方程的过程叫做回归分析过程。如果有多个自变量也可以是多元回归模型。确定最佳模型参数过程要利用损失函数求极小值来确定w和b。
        非线性回归
        逻辑回归，线性模型后面引入sigmoid函数，将线性回归的结果全部映射成0或者1，虽然叫回归但实际上是二分类问题，y=f(x)=1/1+e-(wx+b).向量x经过两次映射，按照阈值归类得到0或者1的结果。训练过程的损失函数与线性回归部一样，其他都一样。
2、分类
        利用数据特征分为若干类别的过程，得到的模型叫做分类器，入口是数据，出口是标签，多分类器输出的也是离散的变量。
        分类器评价：准确率=被分对的样本数/所有的样本；召回率=检索出的某一样本的数/样本库中该样本的总数。精准率=检索出的某以样本的数/检索出的该样本总数。