人工智能（AI）：如果机器能够通过学习掌握某种技能，就称其具备了AI的能力。
所以人工智能又叫机器学习：研究如何让计算机具备学习能力。
人工智能首先由图灵提出。
图灵测试：让计算机和人对话，如果人不能判断出他是计算机，那么其就通过了图灵测试。
人工智能的两个学派：
统计学派（基于数学）：从机器出发，主要是算法，但是都不能通过图灵测试。【传统机器学习】
仿生学派（基于仿生学）：从学习出发，主要是神经网络，发现神经网络越大越深，效果越好，因此提出了深度学习。【深度学习】
深度学习：深层次的神经网络的学习过程。
传统机器学习能完成的任务深度学习都可以完成。
从仿生学的角度，先来看看神经元是如何工作的。
神经元：树突（多个）用来接收信号，细胞体用来处理信息，轴突（一个）用来发送信号，但是目前我们还不知道细胞体怎么处理信息。
人工神经元（感知机）就是类比于人类的神经元提出的。
树突的长短粗细不一样，所以我们的感知机有很多不同的输入和很多不同的权重。
由于计算机是数学计算，所以我们要把感知机抽象为数学。
如何抽象？使用矩阵。将一堆x看为行向量，一堆w看为列向量。
将矩阵相乘，得到X*W=h
最后，让我们来聊聊什么是学习？
学习：以结果为导向，做完这个行为之后你是否掌握了新的技能。
模型得到h的过程称为前向计算（推理过程）
首先，你要能听懂问题，可以自己得到一个答案，然后拿到别人的答案，将别人的答案和自己的答案进行比较再不断调整，这个调整过程就叫学习。
自己得到的结果越错越好，这样代表你的提升空间很大。
总而言之，学习就是发现问题和解决问题的过程。
发现问题（考试）：loss=（y-h）2
解决问题（改错）：损失越小越好
从w1到w2的过程就是学习
模型根据损失，反向求导，更新w参数的过程称为模型的学习过程。
BP算法：梯度下降+链式法则来更新参数的过程
梯度下降：梯度就是斜率，我们通过计算梯度来确定w的前进方向，以w1为例，通过偏导求出梯度大于0，应该向右移动，但是我们的w2在左边，所以我们还需要给所求的梯度加上一个负号。之后我们再确定步长，如果步长设为1，那么w就会按照对称轴在两个点不断地左右移动，如果步长大于1，那么w就会往上走，所以步长必须小于1。
