学习人工智能：吴恩达《AI for everyone》2019 第1周：介绍；最简单的神经网络

吴恩达 Andrew Ng， 斯坦福大学前教授，Google Brain项目发起人、领导者。

Coursera 的联合创始人和联合主席，在 Coursera 上有十万用户的《机器学习》课程；斯坦福大学计算机科学前教授。百度前副总裁、前首席科学家；谷歌最成功的人工智能项目之一——Google Brain的发起人、领导者。

参考链接： AI for everyone

第一周：介绍

ANI VS AGI， 弱AI VS 强AI，专用AI VS 通用AI

 

acquiring data 获取数据

机器学习：计算机在没有明确编程的情况下学习的能力

深度学习Deep learning = 人工神经网络Artificial Neural network

神经网络最初受到大脑的启发， 但是它工作原理几乎 完全与生物大脑的工作方式无关 

AI > ML > DL

AI company VS company using AI.

AI转型5步

机器学习的一些优点和缺点。

机器学习在试图学习一个 简单的概念时会运作良好 例如你可以用不到 一秒的脑力就可办到的事情， 以及有大量数据的事。 机器学习往往在你试图 从少量数据中学习复杂概念时 效果不佳。 人工智能中第二个 未被充分认识的弱点是： 用系统从未见过的新类型数据时执行任务， 这往往会让它表现不佳

第一周optional：最简单的神经网络

最简单的神经网络：只有一个神经元

4个神经元的神经网络

神经网路的绝妙之处

神经网路的绝妙之处就在于 当你用神经网络来创建一个机器学习系统时， 你只需要给它输入A和输出B就可以了 它自己会把中间所有的事情搞清楚 所以建立一个神经网络,你需要做的就是 给它大量的数据，即输入A,像这样 把这些蓝神经元输给一个黄色神经元 并且你也需要标明输出的数据,比如这里的客户需求 接下来就让软件来弄清楚这些蓝色需要计算什么 从而能完全自动化地，精准地 学习由输入A到输入B的功能映射。

事实证明,只要你给它足够多的数据 并且训练一个足够大的神经网络 它能极好地学习出从输入A到输出B的映射 那么，这就是一个神经网络了。

它就是一组神经元， 每个神经元会计算出一个相对简单的函数 但当你把它们像乐高积木那样堆叠在一起的话 它们可以计算出极其复杂的函数,这些函数 能极其精准地学习出输入A到输入B的映射