1.1、人工智能是什么？

人工智能（Artificial Intelligence），英文缩写为AI。

人工智能是研究、开发用于模拟、延伸和扩展人的智能理论、方法、技术及应用系统的一门新的技术科学，它是计算机科学的一个分支。

可以说‍‍这是一门‍‍集数门学科精华的‍‍尖端学科中的尖端学科——因此说人工智能是一门综合学科。

1.2、人工智能应用在什么地方？

（结合日常，就是常见的机器人啊、指纹、人脸识别这种感觉很科技的都用到了人工智能，只是我们没感觉到）

人工智能的应用实例：指纹识别、人脸识别、视网膜识别、虹膜识别、专家系统、智能搜索和博弈等；

目前人工智能应用领域比较多，具体如下：

机器人领域：

人工智能机器人，如RET聊天机器人，它能理解人的语言，用人类语言进行对话，并能够用特定传感器采集分析出现的情况调整自己的动作来达到特定目的。

语言识别领域：

该领域其实与机器人领域有交叉，设计的应用是把语言和声音转换成可处理的信息，如语音开锁、语音邮件以及未来的计算机输入等方面。

图像识别领域：

利用计算机进行图像处理、分析和理解，以识别各种不同模式的目标和对象的技术；例如人脸识别，汽车牌号识别等。

专家系统：

具有专门知识和经验的计算机智能程序系统，后台采用的数据库相当于人脑，具有丰富的知识储备，采用数据库中的知识数据和知识推理技术来模拟专家解决复杂问题。

1.3人工智能具体有哪三种形态呢？

弱人工智能：

弱人工智能(Artificial Narrow Intelligence, ANI) 是擅长与单个方面的人工智能，比如有能战胜象棋世界冠军的人工智能，但是它只会下象棋，你要问它怎样更好地在硬盘上存储数据，它就不知道怎么回答你了；

强人工智能：

强人工智能(Artificial General Intelligence, AGI) ，是人类级别的人工智能，强人工智能是指在各方面都能和人类比肩的人工智能，人类能干的脑力活它都能干。创造强人工智能比创造弱人工智能要难得多，我们现在还做不到。Linda Gottfredson教授把智能定义为“一种宽泛的心理能力，能够进行思考、计划、解决问题、抽象思维、理解复杂理念，快速学习和从经验中学习等操作”。强人工智能在进行这些操作时，应该和人类一样得心应手；

超人工智能：

超人工智能(Artificial Super Intelligence, ASI)，牛津哲学家，知名人工智能思想家Nick Bostrom把超级智能定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科技创新、通识和社交技能”。超人工智能可以是各方面都比人类强一点，也可以是各方面都比人类强万亿倍，超人工智能也正是为什么人工智能这个话题这么火热的缘故，同样也是为什么永生和灭绝这两个词会在本文中多次出现。

2.1、模式识别：

是指对表征事物或者现象的各种形式（数值的文字、逻辑的关系等等）信息进行处理分析，以及对事物或现象进行描述分析分类解释的过程，例如汽车车牌号的辨识，涉及到图像处理分析等技术。

2.2、机器学习：

（这个机器学习是人工智能的子集，不能弄混了，下图很好的诠释了）

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是指不断完善自身的性能，或者达到操作者的特定要求；

2.3、数据挖掘：

知识库的知识发现，通过算法搜索挖掘出有用的信息，应用于市场分析、科学探索、疾病预测等等；

2.4、智能算法：

解决某类问题的一些特定模式算法，例如我们最熟悉的最短路径问题，以及工程预算问题等等。

3、数据挖掘

数据挖掘（Data mining）又译为资料探勘、数据采矿。

它是数据库知识发现（英语：Knowledge-Discovery in Databases，简称：KDD)中的一个步骤。数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。

应用的技术包括：数据库技术、人工智能技术、数理统计、可视化技术、并行计算等方面。

有目的的从现有的信息中提取数据的模式和模型，以用于未来机器学习和人工智能的数据使用。

其核心目的是找到数据变量之间的关系，A和B可能存在相关关系，但是它无法告诉你A和B存在什么相关关系。

数据挖掘不是一种用来证明假说的方法，而是用来构建各种各样的假说的方法。

数据挖掘技术包括关联分析、序列分析、分类、预测、聚类分析及时间序列分析等。

4.1、机器学习常见算法

深度学习

深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(AI, Artificial Intelligence)。

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的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。 深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。

深度学习在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术，以及其他相关领域都取得了很多成果。

深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。

【以下自己学习吧~】

决策树算法

决策树算法充分利用了树形模型，此方法的特点是结构简单、处理数据效率较高。

朴素贝叶斯算法、支持向量机算法、随机森林算法、人工神经网络算法、Boosting与Bagging算法、EM（期望最大化）算法

4.2、机器学习基于学习方式的分类

(1) 监督学习(有导师学习)：

输入数据中有导师信号，以概率函数、代数函数或人工神经网络为基函数模型，采用迭代计算方法，学习结果为函数。

(2) 无监督学习(无导师学习)：

输入数据中无导师信号，采用聚类方法，学习结果为类别。典型的无导师学习有发现学习、聚类、竞争学习等。

(3) 强化学习(增强学习)：

以环境反惯(奖/惩信号)作为输入，以统计和动态规划技术为指导的一种学习方法。

最后，人工智能是追求目标，机器学习是实现手段，深度学习是其中一种方法。

5、大数据和人工智能的关系是什么？

大数据和人工智能是相辅相成、相互融合的关系。

从广义上来说，可以认为大数据是人工智能的基础，大数据更强调数据的采集和处理，而人工智能更强调深度学习，像人脑一样能够去学习新知识，这是二者的主要差别。

同时，二者很难分开，早在60年前已经有了人工智能，之所以在最近几年得到快速发展主要得益于大数据基础计算能力的提高和数据量的蓬勃发展，如今的智能革命最核心的两个要素就是人工智能和大数据。

6、大数据定义

大数据：指无法在可承受的时间内用软硬件进行捕捉、管理和处理的数据集合，需要新处理模式才能使数据集合称为具有更强的决策力、洞察力和流程优化等能力的海量、多样化的信息资产。

6.1、大数据的特征（4V）：

量大（Volume）：存储大，计算量大；

样多（Variety）：来源多，格式多；

快速（Velocity）: 生成速度快，处理速度要求快。

价值（Value）：价值密度低，和数据总量的大小成反比。

6.2、大数据与云计算之间的关系：

大数据是需求，云计算是解决之道。

云计算是平台，大数据是应用。

云计算之于大数据，云计算是底层平台，大数据是应用。

云计算作为底层平台整合计算、存储和网络等资源，同时提供基础脚骨资源弹性伸缩的能力。

大数据在云计算平台的支撑下，调度下层资源，进行数据源加载，计算和最终结果输出等动作。