人工智能 （AI）： 如果 机器 能够通过 学习 掌握某种 技能 ， 就称其具备了 AI 的 能力。
所以人工智能又叫 机器学习： 研究如何让计算机具备学习能力。
人工智能首先由图灵提出。
图灵测试 ： 让计算机和人对话 ， 如果人不能判断出他是计算机 ， 那么其就通过了图灵测试。
人工智能的两个学派 ：
统计学派 （ 基于数学 ）： 从机器出发 ， 主要是算法 ， 但是都不能通过图灵测试。【传统机器学习】
仿生学派 （ 基于仿生学 ）： 从学习出发 ， 主要是神经网络 ， 发现神经网络越大越深 ， 效果越好 ， 因此提出了深度学习。【深度学习】
深度学习 ： 深层次的神经网络的学习过程。
传统机器学习能完成的任务深度学习都可以完成。
从仿生学的角度 ， 先来看看神经元是如何工作的。
神经元 ： 树突 （ 多个 ） 用来接收信号 ， 细胞体用来处理信息 ， 轴突 （ 一个 ） 用来发送信号 ， 但是目前我们还不知道细胞体怎么处理信息。
人工神经元 （ 感知机 ） 就是类比于人类的神经元提出的。
树突的长短粗细不一样 ， 所以我们的感知机有很多不同的输入和很多不同的权重。
由于计算机是数学计算 ， 所以我们要把感知机抽象为数学。
如何抽象 ？ 使用矩阵。将一堆 x 看为行向量 ， 一堆 w 看为列向量。
将矩阵相乘 ， 得到 X *W=h
最后 ， 让我们来聊聊什么是学习 ？
学习 ： 以结果为导向 ， 做完这个行为之后你是否掌握了新的技能。
模型得到 h 的过程称为前向计算 （ 推理过程 ）
首先 ， 你要能听懂问题 ， 可以自己得到一个答案 ， 然后拿到别人的答案 ， 将别人的答案和自己的答案进行比较再不断调整 ， 这个调整过程就叫学习。
自己得到的结果越错越好 ， 这样代表你的提升空间很大。
总而言之 ， 学习就是 发现问题 和解决问题 的过程。
发现问题 （ 考试 ）：loss=（y-h）2
解决问题 （ 改错 ）： 损失越小越好
从 w1 到 w2 的过程就是学习
模型根据损失 ， 反向求导 ， 更新 w 参数的过程称为模型的学习过程。
BP 算法 ： 梯度下降 + 链式法则来更新参数的过程
梯度下降 ： 梯度就是斜率 ， 我们通过计算梯度来确定 w 的前进方向 ， 以 w1 为例 ， 通过偏导求出梯度大于 0 ， 应该向右移动 ， 但是我们的 w2 在左边 ， 所以我们还需要给所求的梯度加上一个负号。之后我们再确定步长 ， 如果步长设为 1 ， 那么 w 就会按照对称轴在两个点不断地左右移动 ， 如果步长大于 1 ， 那么 w 就会往上走 ， 所以步长必须小于 1。
原文链接：https://blog.csdn.net/m0_73010573/article/details/128053145
