今日课堂总结

人工智能：用人工的方法在机器（计算机）上实现的智能；或者说是人们使机器具有类似于人的智能。 人工智能学科：人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。

运行思路:

1. 从一个随机初始化参数的模型开始，这个模型基本没有“智能”； 2. 获取一些数据样本（例如，音频片段以及对应的是或否标签）； 3. 调整参数，使模型在这些样本中表现得更好； 4. 重复第（2）步和第（3）步，直到模型在任务中的表现令⼈满意。

学习的相关组件:

1.数据 拥有越多数据的时候，工作就越容易。更多的数据可以被用来训练出更强大的模型，从而减少对预先设想假设的依赖。仅仅拥有海量的数据是不够的，还需要正确的数据。

2.模型 任一调整参数后的程序被称为模型。 这些模型由神经⽹络错综复杂的交织在一起，包含层层数据转换，因此被称为深度学习。

3.目标函数 “学习”，是指自主提高模型完成某些任务的效能。 什么才算真正的提高呢？在机器学习中，我们需要定义模型的优劣程度的度量，这个度量在大多数情况是“可优化”的，这被称之为目标函数。

4.目标函数 定义一个目标函数，并优化它到最小值——损失函数。 预测数值任务——平方误差：预测值与实际值之差的平方。 预测分类任务——最⼩化错误率：预测与实际情况不符的样本⽐例。 损失函数是根据模型参数定义的，并取决于数据集。在一个数据集上，我们可以通过最⼩化总损失来学习模型参数的最佳值。

5.优化算法 当我们获得了一些数据源及其表示、一个模型和一个合适的损失函数，接下来就需要一种算法，它能够搜索出最佳参数，以最⼩化损失函数。深度学习中，大多流行的优化算法通常基于一种基本方法——梯度下降（gradient descent） 在每个步骤中，梯度下降法都会检查每个参数，看看如果仅对该参数进行少量变动，训练集损失会朝哪个方向移动。然后，它在可以减少损失的方向上优化参数。