NNDL 作业一

1.人工智能

        定义：人工智能是一种通过计算机程序实现的智能行为，能够自主地从数据中学习、推理、判断和决策，来模拟人类智能。

        理解：人工智能就是研究人类智能活动的规律，构造出具有一定智能的人工系统。也就是研究如何让计算机具备类似于人类的智能，让计算机能够像人一样地学习、思考和理解。

2.机器学习

        定义：机器学习就是研究如何通过计算的手段，利用经验来改善系统自身的性能。

        理解：在计算机系统中，“经验”通常都是以“数据”的形式存在，而机器学习研究的主要内容就是在计算机上从数据中产生“学习算法”，然后利用学习算法，将数据提供给这些算法，从而产生模型。在面对新的数据时，系统能根据产生的模型，提供自己的判断。也就是机器进行了学习，即为机器学习。

3.深度学习   

        定义：深度学习时机器学习领域中的一个研究方向。其目的是通过模拟人脑神经网络的结构和功能来提高计算机系统的智能表现。深度学习的核心是建立多层次的神经网络，利用大量数据进行训练，使得系统可以从数据中自动学习并提取出有用的特征和模式，最终实现对未知数据的预测或分类。

        理解：深度学习是通过构建多层神经网络来模拟人脑的工作方式，对大量数据进行学习，从而实现对新的数据进行预测。

4.人工智能、机器学习、深度学习三者之间的关系

        人工智能是一个更大的概念。机器学习是实现人工智能的一种方法，它是通过让计算机从数据中学习，逐步改善其性能的过程。深度学习则是机器学习的一个分支，它通过模拟人脑的神经网络结构，通过自动提取特征来实现良好的性能。总的来说，深度学习是机器学习的一个研究方向，机器学习是实现人工智能的一个方法。

5.人工智能的流派

        人工智能的流派有很多，其中包括符号主义、连接主义和行为主义等。

        符号主义学派认为，智能是通过推理和逻辑来实现的，因此他们研究的是人工智能的逻辑推理机制。

        连接主义学派则认为，智能是通过大量的数据和信息来实现的，因此他们研究的是人工智能的感知和处理机制。

        行为主义学派则认为，智能是通过与环境的交互来实现的，因此他们研究的是人工智能的感知、处理和行为等方面。 

6.特征工程

        特征工程包含了特征选择、特征提取和特征构造。是指用一系列工程化的方式从原始数据中筛选出更好的数据特征，以提升模型的训练效果。特征工程的目的是发现重要的特征。

7.表示学习

        表示学习又叫做特征学习或者表征学习，一般指模型自动从数据中抽取特征或表示的方法，是模型自动学习的过程，无需人工提取特征。

8.贡献度分配

        在深度学习中，贡献度分配问题是指每个组件的贡献是多少。深度学习需要解决的关键问题是贡献度分配问题。目前最主要采用的方法是神经网络模型，其原因是它可以使用误差反向传播算法，可以较好的解决这个问题。

9.独热码

        在深度学习中，独热码（one-hot code）是一种常用的编码方式，用于将类别变量转换为机器学习算法易于利用的一种形式。在深度学习中，经常会听到 one-hot 编码，也称“独热编码”。独热编码是将类别变量转换为机器学习算法易于利用的一种形式的过程。具体地说，对于数据集的类别变量，独热编码将其转换为一个包含四个二进制变量（或位）的向量。每个二进制变量对应一个类别值，并且在该向量中只有一个变量具有值1，其他变量都为0。

10.word2vec

        word2vec是一种用于生成词向量的算法，它可以将词语映射到高维空间中的向量表示。神经网络是一种机器学习模型，它由多个神经元组成，可以对输入数据进行分类、回归等任务。端到端学习是指直接从原始输入数据开始训练模型，不需要手动提取特征。

11.神经网络

        神经网络又称人工神经网络，是机器学习的子集，同时也是深度学习算法的核心。其名称和结构均受到人脑的启发，可模仿生物神经元相互传递信号的方式。 

        人工神经网络由节点层组成，包含一个输入层、一个或多个隐藏层和一个输出层。每个节点也称为一个人工神经元，它们连接到另一个节点，具有相关的权重和阈值。如果任何单个节点的输出高于指定的阈值，那么会激活该节点，并将数据发送到网络的下一层。否则，不会将数据传递到网络的下一层。 

        神经网络依靠训练数据来学习，并随时间推移提高自身准确性。而一旦这些学习算法经过了调优，提高了准确性，它们就会成为计算机科学和人工智能领域的强大工具，使我们能够快速对数据进行分类和聚类。

12.端到端学习

        端到端学习是指使用一个神经网络，直接从输入数据到输出结果，学习该系统的端到端映射关系，而不是将系统分解成几个单独的处理步骤。

        传统的机器学习方法通常将系统分为多个处理步骤，每个步骤都有特定的输入和输出，其中每个步骤都需要手动设计特征提取器。相反，端到端学习方法直接从原始输入开始，使用深度神经网络直接学习输入到输出的映射。这种方法通常需要更多的数据和计算成本，但它可以自动学习特征，并且通常在许多任务上表现更好。