一、什么是人工智能
人工智能是人们心中美好的设想，目的是希望通过当时新兴的计算机，打造拥有相当于人类智能的复杂机器。这就是我们所说的“通用人工智能”（General AI）概念，拥有人类五感（视觉，听觉等）、推理能力以及人类思维方式的神奇机器。
二、什么是机器学习
机器学习就是通过算法，使得机器能从大量历史数据中学习规律，从而对新的样本做智能识别或对未来做预测。
它利用大量现有的数据（大数据）对机器进行训练，使得机器在面对下一次实验测试的时候能够根据既有的经验对数据进行区分（比如是猫还是狗）。
机器学习分为监督式学习，非监督式学习，强化学习
常用的机器学习算法有：
- 线性回归
- 逻辑回归
- 决策树
- SVM
- 朴素贝叶斯
- K最近邻算法
- K均值算法
- 随机森林算法
- 降维算法
- Gradient Boost 和 Adaboost 算法
决策树：根据一些 feature 进行分类，每个节点提一个问题，通过判断，将数据分为两类，再继续提问。这些问题是根据已有数据学习出来的，
再投入新数据的时候，就可以根据这棵树上的问题，将数据划分到合适的叶子上
三、什么是深度学习
那机器是怎么学习到这个规则（什么样的是猫？）的呢？
没错，是通过机器学习算法。而神经网络，恰好就是一种机器学习算法。
其实神经网络最初得名，就是其在模拟人的大脑，把每一个节点当作一个神经元，这些“神经元”组成的网络就是神经网络。而由于计算机出色的计算能力和细节把握能力，在大数据的基础上，神经网络往往有比人有更出色的表现。深度学习算法并不是直接通过将输入映射到输出的方式，而是依赖于几层处理单元。 每个层将其输出传递到下一个层，进行处理，然后再传递到下一层。 在某些模型中，计算可能会在处理层之间来回流动多次。现已证明深度学习在各种任务中非常有效，包括图像字幕，语音识别和语言翻译。
四、如何入门人工智能
选择方向：1、算法应用。专注于了解业务以及算法的使用场景。 2、开发算法。关注数学推导能力以及编程技巧。
Step1：了解行业资讯，先来一波科普
Step2：务实基础—
高数：线性代数和微积分，统计学相关基础
Python: 重点关注爬虫，数值计算，数据可视化方面的应用
Step3：机器学习算法+实践
机器学习常见的问题分为三种，分类，聚类，回归
分类：KNN算法，决策树，朴素贝叶斯，支持向量机，逻辑斯蒂回归
聚类：K-mean
回归：决策树，朴素贝叶斯，向量机
实践方法：
这里需要选择一个应用方向，是图像(计算机视觉)，音频(语音识别)，还是文本(自然语言处理)。这里推荐选择图像领域，这里面的开源项目较多，入门也较简单，可以使用OpenCV做开发，里面已经实现好了神经网络，SVM等机器学习算法。项目做好后，可以开源到到 Github 上面，然后不断完善它。实战项目做完后，你可以继续进一步深入学习，这时候有两个选择，深度学习和继续机器学习
Example:
数据分析流程：
1、问题定义
2、数据获取
3、数据预处理
4、数据分析与建模
5、数据可视化及数据报告的撰写
Step4：深度学习
十种深度学习算法要点及代码常见如下博客：
https://blog.csdn.net/northhan/article/details/72724058
原文地址：https://www.cnblogs.com/Endone/p/9248827.html