从今天开始我便正式进入到针对深度学习应用开发的学习中，主要课程资源为中国大学慕课,附网址如下：https://www.icourse163.org/course/ZUCC-1206146808

今天所学为第一讲 人工智能导论（略），第二讲 深度学习简介及开发环境搭建，其中第二讲中包括：人工智能，机器学习与深度学习，深度学习网路与深度学习框架，Anaconda和Tensorflow开发环境搭建

人工智能，机器学习与深度学习

首先介绍为19世纪50年代以来人工智能的发展，人工智能包含机器学习，机器学习是实现人工智能的一个分支，是实现人工智能的一个核心技术，机器学习中又包含深度学习，深度学习则是机器学习的一种实现方法，常见的有图片分类等应用。

机器学习的形式化的描述
对于某类任务T和性能度量P，如果一个计算机程序在T上以P衡量的性能，随着经验E而自我完善，那么就称这个计算机程序从经验E学习

大致就是通过历史数据训练出一个模型，将新的数据输入，通过模型的预测，则去预测其未知属性

机器学习的学习形式分类：有监督学习，无监督学习，半监督学习，强化学习

有监督学习（supervised learning),事先准备好输入与正确输出相配套的训练数据，让计算机进行学习，以便当他被输入某个数据时能够得到正确的输出
无监督学习（unsupervised learning)，仅提供输入用数据，需要计算机自己找出数据内在结构，目的是让计算机从数据中抽取其中所包含的模式及规则
半监督学习 (semi_supersived learning)，训练数据一部分有标记，另一部分没有标记，而没有标记的数量常常极大于有标记数据的数量，基本规律：数据的分布必然不是完全随机的，通过结合有标记数据的局部特征，以及大量没标记数据的整体分布，可以得到比较好的分类结果
强化学习 (reinforcement learning),解决计算机从感知到决策控制的问题，强化学习是目标导向的，从白纸一张的状态开始，经由许多个步骤来实现某一维度上的目标最大化。最简单的理解是在训练过程中，不断去尝试，错误就惩罚，正确就奖励，由此训练得到的模型在各个状态环境中都最好。
对强化学习来说，它虽然没有标记，但有一个延迟奖励与训练相关，通过学习过程中的激励函数获得某种从状态到行动的映射。强化学习强调如何基于环境而行动，以取得最大化的预期利益。

无监督机器学习的典型应用模式：
聚类 常见算法： k-means 关联规则抽取

有监督机器学习的典型应用模式：
预测 针对连续数据 常见算法： 线性回归 Gradient Boosting AdaBoost 神经网络
预测 针对离散数据 常见算法： 逻辑回归 决策树 随机森林 朴素贝叶斯 神经网络

神经网络

包括输入层，隐含层，输出层
常见激活函数：
S型(Sigmoid)将加权和转换为介于0和1之间的值

修正线性单元激活函数(简称为ReLU)易于计算

深度神经网路与深度学习框架

卷积神经网络

卷积神经网络（Convolutional Neural Network, CNN）是深度学习中最重要的概念之一
20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现，其独特的网络结构可以有效降低神经网络的复杂性
1998年，Yann LeCun提出了LeNet神经网络，标志着第一个采用卷积思想的神经网络面世

Anaconda和Tensorflow开发环境搭建

鉴于课程提供的安装版本我的电脑并不支持，于是我自行从官网进行下载并进行了环境配置，其中遇到很多问题，面对众多的error报错，确实磨练了我的耐心，和解决问题的能力，安装过程就不再赘述了，总之大约花了我三四个小时吧

下面是我安装完成后的程序测试：

1
2
3
4
5
6
7
8
9
10
11
12
13
14

%matplotlib inline

import matplotlib.pyplot as plt
import numpy as np
import tensorflow as tf

np.random.seed(5)

x_data = np.linspace(-1,1,100)
y_data = 2*x_data + 1.0 + np.random.randn(*x_data.shape) * 0.4

plt.scatter(x_data,y_data)
plt.plot(x_data,2 * x_data + 1.0,color = 'red',linewidth=3)
}