人人都能搞懂的AI（一）

前段时间看公众号推送了一个消息，说AI教父吴恩达（百度/Google科学家，领导AI项目）推出了一门AI课程，帮你全面了解AI，后来发现其实他早就出了很多AI课程，只不过之前的会更专业一些，而这次的课程更通俗易懂，看标题就知道：《AI For Everyone》，分4周，每周8/9节课的样子，我基本都看完了，发现确实是个入门的好课程，所以就想说把我的理解和总结发布在这里，或许可以帮助到一些人。如果想看原版课程，请点阅读原文。

1.什么是人工智能（Artificial Intelligence）

分为ANI和AGI，分别代表狭义和广义

现在的图像识别/无人驾驶/等所有接触到的AI项目都属于ANI

而人们期待的有智能思维的可以像人一样做事情的才属于AGI

2.什么是机器学习（Machine Learning）

最常用的机器学习是一种输入数据A，得出数据B的过程，叫做监督学习。

随着数据量越来越大了，监督学习的优势就会越来越明显。

3.什么是数据（Data）

分为2种：

结构化数据，如一眼就能看懂的数字，如下图左侧，是通过房屋面积和房间数来预测房子价格的训练数据；

非结构化的数据，如文字/图片/声音/视频等，电脑会以数字的方式存储，如下图右侧，是一个预测图片中是否有猫的训练数据。

关于收集数据，可以通过人工打标签，或者通过检测软件统计用户行为数据，再或者直接从数据机构购买，准确的数据才会产生准确的结果。

4. AI中的常见概念

机器学习和数据科学

数据是机器学习的养分，有了大量的养分才会有效果

深度学习和神经网络

深度学习是加强版的神经网络

其他：监督学习，增强学习，图解模型，知识图谱……

5. 如何做成AI公司

就像当年的沃尔玛做了一个电商网站，你不能说它就是互联网公司了；而亚马逊通过网络创造价值的经营模式，就会被定义为互联网公司。

AI也式样，只有不断的把AI作为主要的价值输出的方式，才能称之为一家AI公司

6.机器学习的能与不能

AI主要可以做的是：一个成年人不假思索就可以完成的任务；

AI不能做的是：一个成年人需要花很长时间的思考，总结出来的多纬度分析报告。

就比如现在的AI客服或者siri这样的智能助理，它能做的是就是将你的话分类，这一句属于要问订单的，这一句是要退货的，那一句是要问天气的；现在的回复都是套模版的，其实多试两次就会发现问题了，因为AI目前位置还不具备理解人类思维的能力。

再比如现在的无人驾驶，AI比较容易做到的是识别其他车辆的位置，来判断自己的车该如何行驶。而AI还无法分辨路边的一个人在招手是意味着什么，应该停车还是减速还是忽视，它还没法判断。

再比如这个通过x光片判断病人是否有肺炎

AI能做的是，通过1万张被标记过是否有肺炎的照片，经过训练，识别一张刚拍的照片是否有肺炎；

AI不能做的是，通过看一本，教医生如何通过x光片识别肺炎的书籍，来解释肺炎是什么然后怎么导致的。

机器学习的优缺点：

当只研究某一个简单的概念，并且有充足的数据时，就会发挥的好；

但如果研究很多个复杂概念， 并且数据非常少，就会发挥不好；

而且训练好的模型，如果数据换了一种类型（比如训练数据用的是一个严谨的老员工拍的照片，非常规矩；而现在实际数据是一个实习生拍的，东倒西歪，参差不齐），就会影响AI的工作。

7.深度学习更通俗的解释

前面说过深度学习是神经网络的进阶版，所以先看一个最简化的神经网络，即只有一个神经元，通过衣服的价格来预测销量

然后是一个更复杂的衣服销量预测的神经网络，因为现实中决定销量的因素可能有很多，比如售价，运输成本，市场费用，材料成本，这时候多级的神经网络会将输入的数据，转化成购买力/知名度/感知质量三个纬度，然后再进一步预测销量，而这中间的环节，完全都是由算法自己完成的，人只需要把原始数据输入进去，深度学习，会自己总结出一个模型，于是当你的价格或者成本发生变化时，他就能第一时间帮你预测销量。

再讲一个如何通过图像来进行深度学习的过程

首先图像是通过什么形式存储的，电脑会把一张图拆成一个个的像素，每个像素都会有一个对应的值，所以当图像数据输入时，就是如下的形式，成为一组数据。

当多张被标记的照片（即多组数据）输入到神经网络后，算法会自动识别人的特征在数据层面是一种怎样的表现，这样你再输入一张新照片时，系统就可以告诉你这张图里是否有人。

最后这是第一周的课程，接下来还有3周（分别为：AI项目，AI公司，AI和社会的关系），我会陆续整理，我觉得这样的学习过程很好，总结的过程也是再学习的过程，写出来也是一种传授会加深记忆，如果有人可以一起交流那很有可能会发现更多有趣的视角，所以欢迎评论转发点赞，由衷的感谢～