别把机器学习和人工智能搞混了！

智力就是理性思考和控制行为的能力。人类有智慧去思考和利用常识来做出决定。人工智能就是一个构建智能代理的研究领域，所以将来咱们打造出来的人工智能能够像人同样思考并理性行事。图灵测试由艾伦·图灵（1950）提出，旨在提供使人满意的智能操做定义。若是机器人具备如下功能，则能够经过图灵测试：

1. 经过理解和编写天然语言与人交往；

2.知识表示（知道如何向用户呈现知识）；

3.知识推理（知道如何从存储的知识推断回答以回答人类）；

4.机器学习推断模式并适应新的环境。

简而言之，AI就是研究有助于构建智能机器的规则和算法，AI解决的一组问题是NP彻底的。

人工智能是一个普遍的研究领域，涉及如下五个重要学科：

1. 专家系统；

2.神经网络；

3.模糊系统；

4.机器人；

5.天然语言处理。

机器学习（ML）

机器学习是人工智能的一个子集，它经过算法在数据中学习得到一些人类须要的数据。学习能够把人变整天才，让他们适应新的环境。一样，机器的学习能力使其足够强大以适应新的环境。任何机器学习算法的目标都是经过学习过程使其目标最大化，以便它可以处理看不见的数据。

实现机器学习的两个关键学习方法（算法）是： 

1. 监督学习：外部设计者或标记数据有助于机器学习。

2.无监督学习：机器学习时没有任何标签数据或外部设计者。

人工智能的目标是使机器像人同样地聪明。

专家系统

专家系统是依靠知识库来解决问题的系统。知识库能够用不一样的形式表示，如规则、语义网络和决策树。专家系统由知识库和推理引擎组成，以从存储的知识库中推断或推理知识。专家系统用于须要人类专家来解决特定问题的地方。

知识库

基于规则的专家系统以规则的形式捕捉专家在特定领域的知识。这些规则构成知识库，而后经过推理引擎对事实进行评估，以解决特定问题。规则示例：

若是天空很清晰，阳光灿烂，

那么雨衣是不须要的。

优势

1. 因为规则以天然语言表示，所以易于捕捉对知识库的理解。

缺点

1. 专家对同一主题的意见各不相同，这使得难以掌握领域知识。
2. 规则的维护和更新是一个漫长的过程。

并且不一样领域内存在不一样类型的专家系统，如基于规则的专家系统，模糊专家系统和基于框架的专家系统。

推理

专家系统中的推理经过向前或向后连接进行。正向连接是一种数据驱动推理技术，它从知道数据开始，并按照该规则前进。反向连接是一种目标驱动的推理，它从一个目标开始并向后推动以找到支持目标的数据。

神经网络

人工神经网络（ANN）受到人类神经系统的启发。该系统的工做方式与人类大脑存储和处理知识的方式彻底相同。与人类大脑很是类似的神经网络由一组彼此高度链接的神经元或节点组成。信息在网络的神经元中被存储，处理和分析。每一个节点或神经元均可以激活网络中的其余神经元，神经元之间的连接或链接称为权重。一个网络能够包含n个神经元或节点，这能够使网络变得很是复杂。一个简单的神经网络由一个输入和输出层组成。

如下是不一样类型的神经网络：

• 前馈神经网络；
• 卷积神经网络（CNN）；
• 递归神经网络；
• 长短时间记忆网络（LSTM）。

人工神经网络可以经过调整权重来学习。正是这种神经网络的能力使它们适合于机器学习。不一样类型的学习算法均可以用于神经网络，其中最突出的是反向传播算法。