前言：

    关于这个教程，严格来说，我未来要写的内容并不是非常标准的教程，而是学习手记。我大学所学的专业并不是人工智能，所有的AI知识都是通过自学来的。因而虽然有了一些基础，但是知识体系不够全面。于是准备从头开始学习人工智能技术，本教程是作为学习笔记来写的，大家仅做参考，有任何要指正或者补充的内容，可以在评论或者QQ上给我留言，我一定会改正。另外，该教程是面向软件工程师的，默认一个能够阅读本教程的读者拥有最基本的编程知识，并掌握Python编程基础。

章节概览

    在本章节中，我打算讲一些和人工智能有关的前缀知识，并且把整个教程的体系给概括一下。

---

人工智能概览

    关于人工智能是什么，我们为什么需要人工智能，我就不做过多的赘述了，但是我还是想强调，目前市面上主流的深度学习技术仍然是一种比较低级的人工智能手段。从本质上来说，它是一种可以挖掘数据潜在规律的系统。其核心仍然是数据，离开了数据，这个系统就失效了。拿我们自己来举例子，人类并不需要通过看一万张猫的图片才能学会猫是什么，或者从一堆动物中找到一只猫。也许一张图片就够了，这就是人类的学习能力。【纪录片：人工智能真的来了！（杨澜）】

    尽管人工智能的发展极其迅速，但是大多数还是针对一些不同的领域的专家系统的构建，理论的发展还是沉重而缓慢的。目前最主流的模型都基于卷积神经网络算法，严格来说，是Deep Convolution Neural Network，即深度卷积神经网络。一个不是那么新的名词，它也有很多的挑战者，比如南京大学的周华志教授和他的gcForest，比如Hinton本人和他的胶囊网络，但是暂时还没有人，还没有算法，能够撼动它在目前的机器学习领域当中的地位。

    虽然我们还创造不出有灵魂的机器，但是利用人工智能来为我们做事，简化我们的工作，减轻我们的负担。所带来的经济效益是非常巨大的，如此，我们就要知道，人工智能在当代的应用领域的大体的知识图谱。

知识图谱（非专业向）

    以上的知识图谱是我根据个人的一些见闻所列举的，里面只略微谈到了一些应用领域，没有列举相关技术，人工智能不止这四个方面，智能手段也不仅仅只有深度学习。但是为什么要列这个思维导图呢？

    因为目前大部分的我们可以利用来找工作或者做一些盈利性质的编程活动里面，以上四个领域是绝对的热门。况且，虽然没有太全，但是这四个领域，每一个都深似海，我们且选择自己喜欢的领域入门。

人工智能，机器学习，深度学习的关系

    这个问题，就类似于你知不知道A是什么，知道就知道，不知道就不知道。一个定性的问题，而非通过推理得到。人工智能是一个非常广泛的概念，即使我写一个简单的状态机，严格来说，它也算是人工智能。2018届的人工智能星际争霸大赛结果出来后，第二名是FacebookAI实验室开发的CherryPi，第三名是我国中科院自动化研究所开发的CSE，而第一名，却是联合了韩国的著名的星际职业玩家开发的不基于任何深度学习手段的，纯粹规则式的状态机，塞达。

    由此可见，人工智能的范围很广，现在一共有五大智能算法，而机器学习，是其中一支。机器学习是一个比较庞大的算法簇，里面包含的算法见下图

机器学习：【Python与机器学习实战：何宇健】

    由此可见，机器学习中，最为强悍或者最有潜力的算法就是神经网络。而神经网络中则又有诸多分支，而深度学习就是神经网络中的概念。所以，总得来说，深度学习包含于机器学习，机器学习又包含于人工智能。

AI，ML，DL关系图

本教程涉及到的范围

    其实这个问题我也思考了良久，我自己到底要深入到哪个领域去钻研。但是仿佛很多复杂的工程都需要不同的领域的算法相互结合，于是本教程的范围是一个未知数，也许写了一些内容之后反响特别差，可能就不会再公开了。也许写的非常好，就会写很长很全的教程出来。

从什么地方开始？

    这个问题我也思考了良久，其实很多人都可以学习AI技术，但是最大的问题可能就是数学不好。其实我自己数学也不好，很夸张的说，我的本科里面并不教数学这门课。我的数学水平仍然停留在高中数学里面，对高数，线代等知识尤为匮乏。但是AI原理几乎就是数学的一个实际应用。如果说我们的世界，有一项可以被称为魔法的东西，那就是数学啦。所以，该教程的起点，就是数学。或者说，是学习AI所需要的数学。

小结

    其实本章并不用小结，只不过后面的博客都会写小结，于是这边也遵循一下规范了。总得来说，就是我要重头开始学一门新的技术，叫深度学习。然后呢？如果有小白希望一起学习的话，可以跟着这个教程看一看。

留一个群号与我个人的QQ，837079945（从0开始的深度学习交流群），529324416（王子饼干）

对这个教程感兴趣的可以加群下载源代码哟