前段時間看公眾號推送了一個消息，說AI教父吳恩達（百度/Google科學家，領導AI項目）推出了一門AI課程，幫你全面瞭解AI，後來發現其實他早就出了很多AI課程，只不過之前的會更專業一些，而這次的課程更通俗易懂，看標題就知道：《AI For Everyone》，分4周，每週8/9節課的樣子，我基本都看完了，發現確實是個入門的好課程，所以就想說把我的理解和總結髮布在這裡，或許可以幫助到一些人。如果想看原版課程，請點閱讀原文。
1.什麼是人工智能（Artificial Intelligence）
分為ANI和AGI，分別代表狹義和廣義
現在的圖像識別/無人駕駛/等所有接觸到的AI項目都屬於ANI
而人們期待的有智能思維的可以像人一樣做事情的才屬於AGI
2.什麼是機器學習（Machine Learning）
最常用的機器學習是一種輸入數據A，得出數據B的過程，叫做監督學習。
隨著數據量越來越大了，監督學習的優勢就會越來越明顯。
3.什麼是數據（Data）
分為2種：
結構化數據，如一眼就能看懂的數字，如下圖左側，是通過房屋面積和房間數來預測房子價格的訓練數據；
非結構化的數據，如文字/圖片/聲音/視頻等，電腦會以數字的方式存儲，如下圖右側，是一個預測圖片中是否有貓的訓練數據。
關於收集數據，可以通過人工打標籤，或者通過檢測軟件統計用戶行為數據，再或者直接從數據機構購買，準確的數據才會產生準確的結果。
4. AI中的常見概念
機器學習和數據科學
數據是機器學習的養分，有了大量的養分才會有效果
深度學習和神經網絡
深度學習是加強版的神經網絡
其他：監督學習，增強學習，圖解模型，知識圖譜……
5. 如何做成AI公司
就像當年的沃爾瑪做了一個電商網站，你不能說它就是互聯網公司了；而亞馬遜通過網絡創造價值的經營模式，就會被定義為互聯網公司。
AI也式樣，只有不斷的把AI作為主要的價值輸出的方式，才能稱之為一家AI公司
6.機器學習的能與不能
AI主要可以做的是：一個成年人不假思索就可以完成的任務；
AI不能做的是：一個成年人需要花很長時間的思考，總結出來的多緯度分析報告。
就比如現在的AI客服或者siri這樣的智能助理，它能做的是就是將你的話分類，這一句屬於要問訂單的，這一句是要退貨的，那一句是要問天氣的；現在的回覆都是套模版的，其實多試兩次就會發現問題了，因為AI目前位置還不具備理解人類思維的能力。
再比如現在的無人駕駛，AI比較容易做到的是識別其他車輛的位置，來判斷自己的車該如何行駛。而AI還無法分辨路邊的一個人在招手是意味著什麼，應該停車還是減速還是忽視，它還沒法判斷。
再比如這個通過x光片判斷病人是否有肺炎
AI能做的是，通過1萬張被標記過是否有肺炎的照片，經過訓練，識別一張剛拍的照片是否有肺炎；
AI不能做的是，通過看一本，教醫生如何通過x光片識別肺炎的書籍，來解釋肺炎是什麼然後怎麼導致的。
機器學習的優缺點：
當只研究某一個簡單的概念，並且有充足的數據時，就會發揮的好；
但如果研究很多個複雜概念， 並且數據非常少，就會發揮不好；
而且訓練好的模型，如果數據換了一種類型（比如訓練數據用的是一個嚴謹的老員工拍的照片，非常規矩；而現在實際數據是一個實習生拍的，東倒西歪，參差不齊），就會影響AI的工作。
7.深度學習更通俗的解釋
前面說過深度學習是神經網絡的進階版，所以先看一個最簡化的神經網絡，即只有一個神經元，通過衣服的價格來預測銷量
然後是一個更復雜的衣服銷量預測的神經網絡，因為現實中決定銷量的因素可能有很多，比如售價，運輸成本，市場費用，材料成本，這時候多級的神經網絡會將輸入的數據，轉化成購買力/知名度/感知質量三個緯度，然後再進一步預測銷量，而這中間的環節，完全都是由算法自己完成的，人只需要把原始數據輸入進去，深度學習，會自己總結出一個模型，於是當你的價格或者成本發生變化時，他就能第一時間幫你預測銷量。
再講一個如何通過圖像來進行深度學習的過程
首先圖像是通過什麼形式存儲的，電腦會把一張圖拆成一個個的像素，每個像素都會有一個對應的值，所以當圖像數據輸入時，就是如下的形式，成為一組數據。
當多張被標記的照片（即多組數據）輸入到神經網絡後，算法會自動識別人的特徵在數據層面是一種怎樣的表現，這樣你再輸入一張新照片時，系統就可以告訴你這張圖裡是否有人。
最後這是第一週的課程，接下來還有3周（分別為：AI項目，AI公司，AI和社會的關係），我會陸續整理，我覺得這樣的學習過程很好，總結的過程也是再學習的過程，寫出來也是一種傳授會加深記憶，如果有人可以一起交流那很有可能會發現更多有趣的視角，所以歡迎評論轉發點贊，由衷的感謝～
閱讀更多 增長浩克 的文章
