目录
人工智能——让机器具备人的思维
一、人工智能三学派（主流方向——连接主义）
1.行为主义
2.符号主义
3.连接主义
二、连接主义的神经网络设计过程
1.举例：神经元
2.大致过程
三、人工智能的理解与涉及的重要点
1.个人观点
2.MP：模型
3.损失函数
4.梯度下降
五、学习率（learning rate，lr）
六、反向传播
四、用神经网络实现海贼王和七龙珠的分类
1.准备数据
2.搭建网络
3.参数优化
4.acc / loss可视化
备注
人工智能——让机器具备人的思维
一、人工智能三学派（主流方向——连接主义）
1.行为主义
基于控制论，构建感知-动作控制系统。 （控制论， 如平衡、行走、避障等自适应控制系统
2.符号主义
基于算数逻辑表达式，求解问题时先把问题描述为 表达式，再求解表达式。（可用公式描述、实现理性思维，如专家系统）
3.连接主义
仿生学，模仿神经元连接关系。（仿脑神经元连接， 实现感性思维，如神经网络）
二、连接主义的神经网络设计过程
1.举例：神经元
2.大致过程
准备数据：（采集大量“特征/标签”数据）
搭建网络：搭建神经网络结构
优化参数：训练网络获取最佳参数（反向传播，前向传播）
应用网络：将网络保存为模型，输入新数据，输出分类或预测结果（前传）
三、人工智能的理解与涉及的重要点
1.个人观点
人工智能中的机器学习可以理解就是建立在数学之上的学科，就是通过函数y=w*x+b来实现的，通过采集大量的数据特征和标签，送入函数y=w*x+b，不断的更新优化w和b，然后又引入损失函数和激活函数和优化器等一些方法改变和优化参数，进而实现较为精准的预测和判断
2.MP：模型
3.损失函数
损失函数（loss function）：预测值（y）与标准答案（y_）的差距
效果：损失函数可以定量判断W、b的优劣，当损失函数输出最小时，参数W、b 会出现最优值。
均方误差：
4.梯度下降
目的：想找到一组参数w和b，使得损失函数最小
梯度： 函数对各参数求偏导后的向量。 函数梯度下降方向是函数减小方向。
梯度下降法：沿损失函数梯度下降的方向，寻找损失函数的最小值，得到最优参数的方法。
五、学习率（learning rate，lr）
注意点：当学习率设置的过小时，收敛过程将变得十 分缓慢。而当学习率设置的过大时，梯度可能会在最小值附近来回震荡， 甚至可能无法收敛
六、反向传播
反向传播：从后向前，逐层求损失函数对每层神经元参数 的偏导数，迭代更新所有参数
四、用神经网络实现海贼王和七龙珠的分类
1.准备数据
- 数据集读入
- 数据集乱序
- 生成训练集和测试集（即 x_train / y_train）
- 配成 （输入特征，标签） 对，每次读入一小撮（batch）
2.搭建网络
神经网路中所有可训练参数
3.参数优化
根据前面所讲的：前向传播和反向传播如何更新待优化的参数，借助损失函数和梯度下降和学习率等等观点来进行优化
嵌套循环迭代，with结构更新参数，显示当前loss
4.acc / loss可视化
acc：测试数据的拟合度，越大越好
loss：损失函数的图像，损失函数越小越好
备注
- 本文主要借鉴：mooc曹健老师的《人工智能实践：Tensorflow笔记》
- 人工智能逐渐成为主流，值得我们每一个人了解，未来的发展方向
- 人工智能然存在很多的问题，如伦理等等，但前景是好的
- 如果有问题，欢迎评论
