另一方面，希望计算机像人类一样认知这个世界——机器的识别能力
（但是计算机面对一张图片，它可以告诉你有多少个像素点，也可以准确地给出图片上每一个像素点地像素值，但却分辨不出这些像素点组成地脸庞）
人们不知道怎么教机器去感知这个世界。于是人们转而看看关于自己大脑地研究，也就是神经科学，希望获得一些关于认知地理论。（也是一片广阔而充满了未解之谜地领域）——经过大半个世纪的坎坷和沉浮，厚积薄发，在21世纪开始大放异彩，在各个领域都取得了惊人的发展。
人工智能：学习的能力，是智能的本质。
人工智能与物联网
物联网：物物相连的互联网 智能家居 智能交通 智能医疗 智能物流等等
人工智能——希望计算机向人类一样认知这个世界。 图像识别，自然语言处理，人脸识别
物联网负责收集资料（通过传感器连接无数的设备和载体，包括家电产品），收集到的动态信息会被上传云端。接下来人工智能系统将对信息进行分析加工，生成人类所需的实用技术。此外，人工智能通过数据自我学习，帮助人类达成更深层次的长远目标。
物联网——从各地收集数据 人工智能——对数据进行加工 人工智能可以让物联网更加智能化
人工智能是软件，需要物联网作为载体。物联网是硬件，需要人工智能来驱动。
机器学习：专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 ——从数据中自动获取规律，并利用规律对未知数据进行预测。
（过于依赖人的提示，如果图像模糊，会产生很大的误差）
深度学习：学习样本数据的内在规律和表示层次 最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。
深度学习是机器学习的众多方法之一。（以前一直认为机器学习和深度学习是两个不同的概念）
深度学习的灵感来自大脑的结构和功能，即许多神经元的互连。人工神经网络（ANN）是模拟大脑生物结构的算法。
目前，机器学习最成功的应用领域是计算机视觉
机器学习：对含有噪点的数据不能很好的处理 人工提取的特征太僵化
深度学习：把特征提取和学习统一在一个深层神经网络中 在学习中自动地进行特征提取。 （让层数较多的多层神经网络可以训练） 神经网络会根据所有权重，给出一个经过深思熟虑的猜测——“概率向量”。
神经网络是调制、训练出来的，时不时还是很容易出错的。它最需要的，就是训练。需要成百上千甚至几百万张图像来训练，直到神经元的输入的权值都被调制得十分精确，无论是否有雾，晴天还是雨天，每次都能得到正确的结果。
深度学习：研究使用深度神经网络处理各种问题时的经验和技巧
神经网络
y=wx+b
y=wx+b+e
e=y-wx-b
这里的下表i表示第i个样本
一次次迭代来逼近最优解
一元凸函数梯度下降
f(x)=x2+2
x=3 y=11 不是极值点 我们要往下看
x=3.2 y=12.24
x=2.8 y=9.84 选这个
之后
x=3.0 y=1
x=2.6 y=8.76
每次更新都是0.2 离极值点远的地方让它挪快一些，近的时候挪慢一些
这个方法写出来就是这个形式
η “伊塔” 表示学习率
f'(x)=2x
f'(3)=6
xn+1=3-0.1x6=2.4
f'(2.4)=4.8
xn+1=2.4-0.1x4.8=1.92
二元凸函数梯度下降
softmax分类器 