半岛彩票从亚马逊、Facebook、谷歌、微软这些顶级科技公司能都看出，世界上最具影响力的技术公司的领导者都在强调他们对人工智能（AI）的关注。
我们对人工智能越来越感兴趣，但该领域主要由专家来理解。本文的目的就是希望「能够用浅显的语言解释 AI」。
本文将说明 AI 的最有效的领域之一，「深度学习（Deep Learning）」是如何工作的。
了解 AI 的历史，为什么 20 世纪 50 年代就有 AI 概念，可等到今天才爆发。
风险投资家，一直努力寻找新的趋势，为消费者和公司创造价值。他们相信 AI 是一种比移动或云计算转变更重要的计算演进。
「这是很难夸大」亚马逊首席执行官杰夫·贝佐斯写道，「在未来20年，AI 将对社会造成巨大的影响」。无论你是消费者、公务员，企业家或投资者，这种新兴趋势对我们所有人都很重要。
1956 年 John McCarthy 创建的「人工智能」（AI）是一个通用术语，指的是表现出智能的行为的硬件或软件。
用 McCarthy 教授的话来说，它是「制造智能机器，特别是智能计算机程序的科学和工程」。
「AI」这个词儿已经存在了几十年，然而，一直以来进步有限，因为解决许多现实世界问题的算法太复杂了。
复杂的活动包括进行医疗诊断，预测何时机器将失效或测量某些资产的市场价值，涉及成千上万的数据集和变量之间的非线性关系。
在这些情况下，很难使用我们最好的数据来「优化」我们的预测。在其他情况下，包括识别图像中的对象和翻译语言，我们甚至不能制定规则来描述我们目标。举个例子：我们怎么能写一套规则，完整地描述一只狗的外观？
如果我们可以降低从程序员到程序的复杂预测（数据优化和特性规范）的难度呢？
机器学习（ML）是 AI 的一个子集。所有机器学习是 AI，但不是所有的 AI 是机器学习。「AI」的兴趣在今天表现于人们对「机器学习」的热情，进展迅速且明显。
机器学习让我们通过算法来解决一些复杂的问题。正如人工智能先驱 Arthur Samuel 在 1959 中写道的那样，机器学习是需要研究的领域，它给计算机学习的能力而不是明确地编程能力。
大多数机器学习的目标是为特定场景开发预测引擎。一个算法将接收到一个域的信息（例如，一个人过去观看过的电影），权衡输入做出一个有用的预测（未来想看的不同电影的概率）。
通过计算机学习的能力，通过优化 任务 衡量变量的可用数据，做出算法，来对未来做出准确的预测。
机器通过训练学习。算法最初接收其输出是已知的示例，此时要注意其预测和正确输出之间的差异，并且调谐输入的权重以提高其预测的准确性，直到它们被优化。因此，机器学习算法的定义特征是，它们的预测的质量随着经验而改进。
我们能提供的数据越多（通常达到一个点），就可以创建越好的预测引擎（图 2、图 3 连起来看）
常见的有超过 15 种机器学习方法，每种方法使用不同的算法结构以基于接收的数据优化预测。深度学习最受欢迎，其他的受到较少的关注，但却非常是有价值，它们更适用于广泛的使用情况。
每种方法都有其优点和缺点，可以使用组合。选择的算法来解决一个特定的问题将取决于因素，包括可用的数据集的性质。在实践中，开发人员倾向于实验来选择采取哪种方法。
一般的机器学习 写执行某些任务的程序是很困难的，比如理解语音和识别图像中的对象。
举个例子，如果我们想编写一个识别汽车图像的计算机程序，那么我们就不能指定一个算法来处理汽车的特征，以便在任何情况下都能进行正确的识别。汽车有各种各样的形状、大小和颜色.。他们的位置，方向和姿势可以不同。背景，照明和其他许多因素影响的对象的外观。变量太多，就算是我们硬头皮写了出来，这也不是一个好的可扩展的方案。如此一来，我们就需要为每一种我们要是别的对象单独的写程序。
但是，深度学习（DL），这彻底改变了人工智能的世界。深度学习是一个子集的机器学习。所有深度学习都是机器学习，但并非所有机器学习都是深度学习（图4，下）。
>
深度学习是很有用的，因为它避免了程序员必须按照特征规范（定义数据中所分析的特征）或优化（如何权衡数据以提供更准确的预测）的任务。（园长：简单说，深度学习让程序员不用看特质和优化）
深度学习模拟大脑，人类大脑会学习来克服困难 ：包括理解言语和识别对象，不是通过处理穷举规则，而是通过实践和反馈。就像一个孩子，看到汽车会知道这是汽车，看到图片会知道上面表达的含义。孩子们没有一套详细的规则来学习，孩子们是通过训练而掌握这些的。
深度学习使用相同的方法。基于人工和软件的计算单元，其近似脑中的神经元的功能被连接在一起。
它们形成一个「神经网络」，它接收一个输入（继续我们的例子，一辆汽车的图片），分析；他做出判断并被告知自己的判断是否正确，以此来训练。如果输出是错误的，神经元之间的连接由算法调整，这将改变未来的预测。最初网络将错误多次。
在数百万的例子中，神经元之间的连接将被调整，实践使其逐渐完善，一步步接近完美。
深度学习将程序员从复杂的问题处理中解放出来，为一系列重要问题提供了成功的预测的工具。
接下来我将会讲解：如何让深度学习 DL 工作？为什么 AI 如此重要？为什么 AI 在这个时间点爆发？接下来的世界又会怎样改变？
