大数据与人工智能
人工智能技术和大数据对社会的影响和启示
人工智能技术和大数据对社会的影响和启示未来科技的发展越来越快，人工智能技术和大数据成为了当前社会关注的焦点，它们不仅能在科技领域实现突破，还能对社会发展和人类生活带来深远影响。
本文将对人工智能技术和大数据对社会的影响和启示进行探讨。
一、人工智能技术引发的改变人工智能技术正成为一个热门的话题。
随着科技的发展，我们越来越能看到这些技术的应用。
人工智能技术能够在许多领域中应用，例如医疗、教育、安防、金融等。
在医疗领域，人工智能技术可以用于对大量的医学图像进行分析，帮助医生诊断疾病。
人工智能还可以发现药物和治疗方式之间的关系，帮助医生进行更加精准的治疗。
在教育领域，人工智能技术可以使用人工智能教育系统帮助学生学习。
需要注意的是，人工智能不是取代了教师，而是让教师更加轻松地管理学生，调整学习课程，帮助学生更好地消化知识。
在安防领域，人工智能技术可以用于视频监控设备，自动检测和识别危险的人或行为。
人工智能可以通过分析照片、视频或语音，将人类与机器对话集成，从而更好地识别声音、语言和面部识别。
这样可以提高监控的效率，减少了工作人员的工作强度。
在金融领域，人工智能可以帮助银行检测银行卡欺诈、信用卡欺诈。
人工智能可以通过建立用户数据库并分析客户数据，使银行能够了解客户的情况条件，并得出更好的借贷方案。
二、大数据对社会的影响随着互联网技术的发展，大数据越来越成为一个重要的话题。
所谓大数据，是指在互联网上搜集和储存了大量的数据信息，这些数据可以被用于分析潜在的趋势和规律，为企业和机构提供优化的建议和方案。
大数据具有多样化的应用，可以应用于金融、媒体、政治、文化等领域。
大数据在商业战略中扮演着重要角色，帮助企业创建生产计划、调整营销策略和优化服务流程。
在政治领域，大数据可用于提供选民、经费和议题的支持建议。
大数据技术可以让各领域的专业人员更好地进行分析和预测，为企业和政府决策提供全面、准确的数据支持，这对于培养市场和政策监管方面的专业人员也有很好的启示意义。
人工智能与大数据在公安领域的应用
人工智能与大数据在公安领域的应用一、引言人工智能和大数据技术是当下热门的话题，它们在各个行业都有广泛的应用。
公安行业也不例外。
人工智能和大数据技术的快速发展为公安部门提供了更多的工具和信息，帮助警方更好地履行职责。
二、人工智能在公安领域的应用1. 人脸识别技术人脸识别技术是公安领域运用人工智能技术的主要方式之一。
在监控摄像头中加入人脸识别技术，能够帮助警方识别犯罪嫌疑人、掌握现场情况，起到较好的防范作用。
同时，该技术可以快速判断出失踪人员或者已故人员身份，有助于加快警方处理相关案件的速度。
2. 聊天机器人技术聊天机器人技术主要用于公安机关的咨询服务。
通过AI技术，可以快速回答市民的求助问题，解决部分市民遇到的较为简单的问题。
以深圳市公安局为例，其推出了“聊天警官”系统，实时为市民提供咨询服务，解决市民遇到的各种问题。
该系统的开启，有助于减轻市民办事压力，提升警察的形象。
3. 车辆识别技术车辆识别技术在公安领域应用广泛，主要用于路面交通管理。
通过高清监控摄像机拍摄进出城市的车辆信息，将数据上传到交通管理中心，进行车辆比对，从而有效防止盗抢车辆入境。
近年来，北京、上海等地纷纷推出车辆识别技术，加强城市治安管理。
三、大数据技术在公安领域的应用1. 犯罪预测和分析大数据技术在公安领域的应用，主要是将人工智能技术与大数据技术相结合。
通过对犯罪数据的聚合和分析，可以生成大量的数据，建立犯罪分析模型，提高警方犯罪预测和防范的准确性。
2. 情报监测和分析情报监测和分析是公安机关重要的工作之一。
通过大数据技术，可以对网上犯罪活动、违法犯罪组织、关键人物等进行情报分析。
大数据技术可以对多个信息系统、多个数据源进行快速统计和分析，提高情报分析的效率和准确性。
3. 现场指挥和调度通过大数据技术，公安机关可以进行现场指挥和调度。
在突发事件发生时，公安部门可以根据数据信息，准确判断现场状况和人员分布情况，通过指挥调度快速、高效的进行处置。
人工智能与大数据的结合将带来哪些变革
人工智能与大数据的结合将带来哪些变革在当今数字化的时代，人工智能（AI）和大数据这两个热门领域正以前所未有的速度发展，并相互融合，为我们的生活、工作和社会带来了深刻的变革。
这种结合不仅仅是技术上的创新，更是对传统模式的颠覆和对未来发展的引领。
首先，人工智能与大数据的结合极大地提升了商业运营的效率和决策的准确性。
在市场营销方面，企业可以通过收集和分析海量的消费者数据，包括购买行为、浏览记录、兴趣爱好等，运用人工智能算法来预测消费者的需求和偏好，从而实现精准营销。
比如，电商平台能够根据用户的历史购买和浏览数据，为其推荐个性化的商品，不仅提高了用户的购物体验，还增加了销售额。
在金融领域，大数据与人工智能的融合能够帮助银行和金融机构更好地评估风险。
通过分析大量的交易数据、信用记录以及市场动态等信息，人工智能模型可以快速准确地识别潜在的风险因素，为贷款审批、投资决策等提供有力支持。
这有助于降低金融风险，提高金融机构的稳健性。
其次，医疗行业也因人工智能与大数据的结合而发生了巨大的变化。
医疗数据的数量和复杂性不断增加，包括患者的病历、诊断图像、基因数据等。
利用大数据技术对这些海量数据进行整合和管理，再结合人工智能的深度学习算法，可以辅助医生进行疾病诊断。
例如，通过对大量的医学影像数据进行训练，人工智能系统能够快速检测出肿瘤、骨折等异常情况，提高诊断的准确性和效率。
此外，在药物研发方面，大数据和人工智能的结合也发挥了重要作用。
通过分析大量的药物实验数据、基因数据和临床数据，人工智能可以预测药物的有效性和副作用，加速新药的研发进程，为患者带来更多的治疗选择。
教育领域同样受益于这一强大的结合。
借助大数据，教育机构可以收集学生的学习数据，如学习进度、作业完成情况、考试成绩等。
人工智能算法则能够对这些数据进行分析，为每个学生制定个性化的学习计划。
例如，智能教育软件可以根据学生的知识掌握程度，提供有针对性的练习题和学习资源，实现因材施教，提高学习效果。
人工智能与大数据课件
03
通过Yarn等资源调度器，实现对计算资源的统一管理和调度，
提高资源利用率。
数据挖掘和分析方法
数据预处理
对数据进行特征提取、降维等处理，以便于后续的数据挖掘和分析 。
数据挖掘算法
应用分类、聚类、关联规则等数据挖掘算法，发现数据中的潜在规 律和模式。
结果评估与优化
对挖掘结果进行评估和优化，提高挖掘结果的准确性和实用性。同时 ，根据评估结果对算法进行调整和优化，提高算法的效率和性能。
04
人工智能在大数据领域应用实践
推荐系统设计与实现
推荐算法原理
基于用户行为、内容相似度等数据进行挖掘，实 现个性化推荐。
推荐系统架构
包括数据收集、特征提取、模型训练、推荐结果 展示等模块。
推荐算法应用
在电商、视频、音乐等领域实现个性化推荐服务 。
智能客服机器人开发
自然语言处理技术
运用词法分析、句法分析等技术处理用户输入的自然语言文本。
将不同来源、格式的数据 进行整合，形成一个统一 的数据集，以便于后续的 分析和处理。
分布式存储和计算框架
分布式存储
01
采用分布式文件系统，如HDFS等，实现大规模数据的可靠存储
和高效访问。
分布式计算
02
利用MapReduce、Spark等分布式计算框架，实现对大规模数
据的并行处理和计算。
资源调度与管理
大数据基础
阐述大数据概念、 特点、处理流程等 。
人工智能基本概念
包括定义、发展历 程、应用领域等。
深度学习技术
介绍神经网络、卷 积神经网络、循环 神经网络等模型。
大数据分析方法
包括数据挖掘、统 计分析、可视化分 析等。
大数据和人工智能的到来会对我们的生活方式带来哪些影响？
大数据和人工智能的到来会对我们的生活方式带来哪些影响？科技的快速发展带来了许多重大变革，大数据和人工智能的兴起使我们的世界日益发生变化。
它们的到来将对我们的日常生活方式、工作方式、以及经济发展方式等方面带来重大影响。
一、生活方式1. 科技普及率的提高：大数据和人工智能的应用将使得科技更深入地渗透到我们的生活中，比如智能家电、智能穿戴设备、智能办公以及人机交互等等，这些将成为我们生活的一部分，让我们生活更加方便和美好。
2. 生活品质的提高：大数据可以帮助我们更好地了解我们的生活模式和偏好，并且为我们提供更高质量的生活服务，比如餐饮、医疗、旅游等等。
人工智能可以在日常生活中扮演更多的角色，例如，在监控家庭安全、优化家庭能源使用、配对社交场合等方面。
3. 个人隐私的保护：大数据的应用不仅可以为我们提供更多的便利，同时也需要保护我们的个人隐私。
人工智能的发展也引发了人们对于隐私的担忧，许多公司需要更好地保护用户的隐私才能获得广泛的信任。
二、工作方式1. 工作效率的提高：人工智能可以帮助我们更快速地完成重复性的工作，比如自动化生产线、机器人助理、智能物流等等。
大数据则可以为我们提供更多有用的信息，比如市场趋势、关键字、竞争对手等等，让我们做出更明智的决策。
2. 职业变革：大数据和人工智能的发展将带来许多职业的变革。
此时，那些具有数据分析、人工智能开发等技能的人将拥有更多机会，而那些过时的职业则可能被取代。
例如，计算机编程和大数据分析等岗位将会更加抢手。
3. 工作模式的变化：随着人工智能和机器学习的增长，未来的工作模式可能与现在完全不同。
工作内容和工作环境都可能会发生变化，雇主和员工也将面临挑战。
三、经济发展1. 创新的增加：大数据和人工智能将在所有领域提高创新的速度和质量，从而带来新的创新，解决当前使用技术难以解决的问题。
2. 生产过程的升级：大数据和人工智能的应用也将升级生产过程。
自动化流水线以及物联网技术的应用将提高生产和物流效率，降低人力和物力的消耗。
大数据属于人工智能吗
大数据属于人工智能吗1. 引言大数据和人工智能是当前科技领域最热门的话题之一。
随着信息技术的快速发展，大数据和人工智能的相关应用也越来越广泛。
然而，是否可以简单地把大数据和人工智能划等号，成为一个整体呢？本文将对这个问题展开探讨，并且讨论大数据和人工智能的关系。
2. 大数据和人工智能的概念在我们深入探讨大数据和人工智能之前，首先需要了解它们的基本概念。
2.1 大数据大数据是指规模庞大、难以处理的数据集合。
这些数据可以是结构化的、非结构化的或半结构化的。
随着互联网和物联网的迅猛发展，人们每天产生的数据量呈指数级增长。
大数据的特点包括数据量大、速度快、种类多样、价值丰富等。
2.2 人工智能人工智能是指计算机系统通过模拟人类智能的方法和技术，以解决复杂问题或模拟人类智能的行为。
人工智能的核心是让计算机系统具备类似人类的学习、推理、感知和决策能力。
3. 大数据与人工智能的关系大数据和人工智能之间存在紧密的关系，但它们并不等同。
下面我们将从几个方面来详细探讨它们之间的关系。
3.1 数据是人工智能的基础数据是人工智能的基础，没有数据就无法进行机器学习和深度学习。
大数据为人工智能提供了庞大的数据集，让机器可以从中学习和提取出有用的信息。
人工智能需要不断地与大数据进行交互，通过数据驱动的方式来提升自身的智能水平。
3.2 大数据为人工智能提供应用场景大数据为人工智能提供了广泛的应用场景。
通过对大数据的分析和挖掘，人工智能可以进行智能推荐、自动驾驶、智能客服等各种应用。
大数据为人工智能的算法提供了实现的基础，并且为其提供了更多的机会和可能性。
3.3 人工智能能够提升大数据的价值人工智能可以通过对大数据的分析和处理，提升大数据的价值。
通过人工智能的技术手段，可以将海量的数据转化为有价值的信息，从而支持决策和业务发展。
人工智能的算法可以对大数据进行模式识别、异常检测、预测分析等，为企业和个人创造更多的机会和价值。
4. 结论通过以上的讨论，我们可以得出结论：大数据和人工智能是相互关联、相互促进的。
简述人工智能与大数据的关系
简述人工智能与大数据的关系
### 一、人工智能与大数据的关系
1. 关系密切
人工智能和大数据之间存在着非常密切的联系。
人工智能是基于大数
据实施计算机决策的一种技术，可以从海量的多源数据中分析出数据
的反馈，实现机器学习，从而提高工作效率，节省时间成本。
而大数
据可以提供丰富的原始数据，可以更准确地反映当前客观世界、深入
洞察消费者行为，为机器学习提供良好的基础。
2. 互相交互作用
大数据是机器学习的基础，可以收集和分析出海量的原始信息，为机
器学习提供可靠的数据和解释。
而人工智能则可以提供一种过渡模型，将大数据的信息转换为有意义的决策，并将决策的结果反馈到大数据中，从而实现双向交付，不断准确地完善系统。
3. 改善系统表现
大数据可以提供准确的原始数据，可以更精准地分析客观事实，并且
可以加强智能应用场景中算法的准确性。
例如汽车安全驾驶系统，可
以利用大数据收集的实时交通数据，与AI算法相结合，提取行驶地图的信息、解析实时路况，从而提高智能汽车的行车稳定性。
4. 拓展新应用
通过大数据技术和人工智能技术的相互结合，可以形成一种联动协作模式，使得传统人工智能系统具有更大的可拓展性，扩大应用场景范围。
例如，智能医疗系统中，可以利用大数据累积的数据，和人工智能技术相结合，使医生可以从症状出发，提供更精准的诊断，为患者治病提供更有效的帮助。
提高学生的大数据分析和人工智能应用三篇
提高学生的大数据分析和人工智能应用三篇《篇一》随着科技的不断发展，大数据分析和人工智能应用已经成为当今社会的重要方向。
作为一名教育工作者，我深感培养学生在这些领域的能力至关重要。
因此，我计划通过一系列的教学活动和资源整合，提高学生在大数据分析和人工智能应用方面的能力。
通过以下几个方面的工作内容来实现目标：1.教学内容的更新和拓展：对现有的教学内容进行更新，引入更多与大数据分析和人工智能应用相关的课程，以满足学生的需求。
2.实践项目的开展：组织学生参与实践项目，让他们能够亲身体验大数据分析和人工智能应用的实际操作，提高他们的实践能力。
3.教师培训和学术交流：组织教师进行相关领域的培训和学术交流，提高他们的专业水平，以便更好地指导学生。
在接下来的一年里，逐步实施以下工作规划：1.第一个学期：进行教学内容的更新和拓展，引入相关课程，同时组织学生参与实践项目，让他们初步了解大数据分析和人工智能应用的基本概念和方法。
2.第二个学期：进一步深化学生的实践项目，增加实践环节，让他们能够更深入地掌握大数据分析和人工智能应用的技能。
工作的设想：通过提高学生在大数据分析和人工智能应用方面的能力，我希望他们能够在未来的学习和工作中更好地应对挑战，为社会的发展做出贡献。
按照以下工作计划进行实施：1.制定详细的教学计划，包括课程设置、实践项目安排等。
2.组织教师培训和学术交流，提高他们的专业水平。
3.监督和评估学生的学习进度，及时给予指导和帮助。
在实施过程中，注意以下工作要点：1.注重学生的个体差异，因材施教，个性化的指导和支持。
2.注重实践环节的设置，让学生能够真正动手操作，提高他们的实践能力。
3.加强与企业和社会的合作，为学生更多的实践机会和资源。
采取以下工作方案进行实施：1.制定详细的教学计划，包括课程设置、实践项目安排等，并组织教师进行培训和学术交流。
2.监督和评估学生的学习进度，及时给予指导和帮助，并加强与企业和社会的合作，为学生更多的实践机会和资源。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
大数据与人工智能数据科学已经在决策科学、社会科学、经济学里面扮演越来越重要的角色，所以这种交叉融合，这种碰撞对我们每一个人来讲都是学习的机会，也是一些施展才华的空间。
最近在各个场合有一些分享，今天我尤其要把这个讲座做好。
今天是我儿子第一次坐在下面听我的讲座。
过去我们做的这些工作是跟数据有关系的。
一个大数据、一个人工智能，这两个放在一起，今天很多的企业会这么重视，在这里给大家分享一下我们自己的故事。
百度在过去两年多的时间里面，在人工智能领域有很多技术方面的投入。
今年李彦宏在两会上提出中国大脑，很受关注；麻省理工学院科技评论杂志去年专门发表了一篇评论性文章，介绍百度的人工智能之梦。
在国外主流的科技杂志里面报道一个中国企业的科技研发，还是比较少的。
我自己感到非常的振奋。
百度的背景，和很多的互联网公司都是一样的，从技术的纬度来讲，他本质上是一个基于大数据的人工智能公司。
我们是提供一个搜索引擎，这个搜索引擎下面有一个非常精致的结构，它可以搜索到各种信息、知识，而且服务是完全免费的、给用户带来价值的。
但是我们获得了了大量的搜索行为数据，并实现它的商业价值，就得通过广告、推送服务。
从数据到价值，这中间就需要大量的技术，尤其是基于大数据的人工智能技术，包括机器学习，自然语言处理，语音识别，图像识别。
最近在全社会，无论是在中国还是美国，还是科技媒体，还是研究机构，还是商业公司，都在谈自动驾驶、机器人、物联网、个性化、VR、AR。
其实这些都是AI的各个领域，现在AI已经成为科技创新的主战场，它不光是未来时，而且是现在进行时。
我们看电影《超能陆战队》，看似是未来的东西，但是今天很多领域正在发生，也在产生价值。
到底什么是人工智能？严肃的科学定义到今天为止，没有一个广泛接受的定义。
比如说，有一种说法叫强人工智能，有一种说法叫弱人工智能，还有基于符号逻辑的、也有基于统计模型的，有不同的观点。
抛开这些不同的观点，通常一个人工智能系统有这样几个方面：第一，我们希望这个系统具有感知的能力，就像人一样，有五官，可以感知周围的环境是什么样的。
第二，获取这个感知以后，对面临的环境有一个理解。
比如说对于一个机器人来讲，他在感知到这个环境以后，如果想到后面去跟一个同学聊天，他需要寻找最佳路径。
他必须要理解，那条路是走不通的，那条是可以走的。
第三，在理解的基础上做出决策，从而达成目的或完成任务一个机器要感知，然后理解，然后决策，这是一个过程。
今天在市场上面无处不在充斥着智能产品：智能汤勺、智能水杯等等。
我们把一个老式的收音机和智能设备放在一起比较，他们有什么不同？区别一个系统、一个产品是不是真的具有智能的能力，有一个很重要的纬度，就是这个系统能不能随着用户用它的次数越来越多，它变得越来越聪明，它是不是真的随着经验积累在不断的演化。
如果它是这样的，它就是一个能够自我学习、自我进化、自我演化的、智能的系统。
所以，学习能力是智能的本质属性之一。
在座有的年纪跟我相仿，在小学的时候有过一篇课文，讲的是一个科学巨匠做小板凳的故事，他做的那个板凳非常的丑陋，但是我们能不能说这个小朋友不聪明？如果你看他过去几天做的每一个小板凳，他一个比一个做的好，他具有不断的从经验里面去学习的能力，使我们发现这个小朋友是非常具有智慧的。
你看一个系统今天的能力不是最重要的，最重要的是它的增长曲线，随着大数据不断增加，不断去使用这个系统，它能变得越来越聪明。
这里面我提到了经验。
经验就是数据，数据就是经验。
我们在机器学习里面有一个词叫经验数据。
随着经验演化，就是随着数据的不断增长，增长你的能力。
为什么我们迎来一个大数据的时代？因为从PC互联网到移动互联网，带来了一个数据的爆增，在我们日常生活里面，每一个人都在贡献着大量的数据。
这样一个场景，是在圣彼得教堂门口的广场上面，很多人来等待教皇选举结果。
在八年以后，在同样一个地方，可能是同样一群人，同样的故事仍在上演。
但从一个纬度来看，移动互联网在改变每个人的生活，每个人的手持设备在跟着你，它无时不刻的在产生数据。
今天，每个人身上连着两到三个移动设备，比如说手机、iPad，这样一个趋势往前演进，人机交互是指在这个环境里面有无数个设备跟你感知、交互。
现在手表也已经是一个智能终端了。
总的来看，具体的趋势是我们将进入一个万物互联的时代。
随之带来的是每个你的设备都会记录你的数据，人跟设备的连接，人跟人的连接，物与物的连接，设备与设备的连接都在产生数据。
所以，这是一个机会，万物互联将形成大量数据无处不在的生态，给我们带来的机会就是智能化时代的来临。
2014年，我们突然看到那么多科幻的电影，那么多人在讨论这样那样的，包括习总书记也在院士大会上谈到机器人。
所以这不是偶然，这有一个时代的背景。
在大数据的时代，智能变得越来越重要。
有一个技术，最近很多研究机构，包括公司都有很大的投入，这个技术就叫深度学习。
深度学习为什么会在这个时代这么受大家的关注？谷歌、微软、Facebook都有专门的研究团队，Facebook2013年9月份第一次成立了研究院。
今天很多中国的互联网公司都成立了这样的研究院。
百度在这方面做了很多的工作，其中一个表现就是百度大脑项目，这个项目是一个有着上千台服务器，包括PC服务器和GPU服务器的大规模数据处理系统。
去年我讲的是百亿级的产品，世界上最大级的深度神经网络，最近我们把它升级到千亿级的系统。
基于这样一个工程的能力，我们能够去开发各种各样深度学习的算法，用在语音、图象、自然语音理解、广告的用户匹配、用户的建模等等。
百度大脑目前最成功、最重要的四个利用的领域：第一，搜索。
我们用深度学习作用在自然语音、文本、网络的语意上面，去衡量他们语意的相关性。
第二，广告。
因为广告是要智能的匹配，因为如果这个广告不被用户点击，我们挣不到钱。
第三，图象。
包括今天李彦宏讲到了自动驾驶，自动驾驶里面图像技术是非常重要的。
第四，语音识别和理解。
最近这几年业界取得的进展，包括百度做的工作。
语音识别在三十年的时间里面是一个进展非常缓慢的领域。
但是最近三四年时间里有一个突飞猛进的进展，原因的核心就是基于大数据的深度学习技术。
这些应用领域在业务结构里面扮演什么样的角色？它怎么把这些事情串起来为公司的核心业务产生影响。
第一，理解意图。
比如说我们的用户来到百度这个平台，传统上来讲，他用关键词表达他的搜索需求，但是我们看到最近这两年有一个趋势：第一，用户需求表达越来越复杂，以前很多是搜索信息，现在很多是服务的需求，这里面有很多复杂的语意来描述需求。
第二，更多自然的方式表达你的需求。
比如说自然的语音、句子去问问题，比如说在移动终端上面用语音表达。
现在有的APP就是拍个照，小朋友帮助你做题。
这种自然的表达方式是第二个趋势。
你用深度学习理解自然语言、语音识别、理解图象变成是理解用户的意图。
第二，你在理解了意图以后，你需要连接用户跟他需要的信息。
你在信息、文章那一端需要有更好的理解，这个理解需要有更好的匹配。
匹配用户的需求，就是优化搜索结果的智能排序。
第三，精准推送广告和服务。
深度学习在每一个领域都发挥着重要的作用为什么深度学习在今天受到重视？第一点，我觉得是一个很浪漫主义的原因，因为我们总是在想我们的机器能不能复制人的智能，复制生物的智能。
所以有一个观点是，深度学习可能跟人脑的机理是有关系的。
确实也是，最早期的去启发做深度学习的研究，确实是受到人脑的启发。
第二点，特别适合大数据。
其实到今天，深度学习为什么重要的第一个原因是最不重要的，因为你去研究鸟类怎么飞行，跟我要造一个飞机是不一样的事情。
但对于我们来讲，尤其对我们工业界来讲，我们希望能够造出智能的机器，他不是去再现人的智能，而是要利用大数据去延伸或者互补人的能力。
第三，端到端的学习。
过去做模式识别或者机器学习通常会分为两步，第一，根据你对问题的理解，人工的、人为的去做一些数据的预处理，这里面对人的要求是很高的，你需要非常精准的对问题进行理解。
但是你一旦换一个问题，你需要重新去理解。
深度学习把学习跟判定是连在一起的，前面不是人工的，它也是学习，但是一个一气呵成的从端到端的学习，这个非常重要。
因为它让你这个学习更加智能，它可以让你从一个领域迁移到另外一个领域，它可以减少人工带来的不必要的麻烦。
第四，提供一套建模语音。
深度学习，你不需要对问题有很好的理解，这是一个错误的观点。
因为深度学习跟我们在机器学习里面的图模型一样，也是一套语言系统，他让你表达你对这个问题的理解，如果你对这个问题不理解，深度学习对你来讲没有用。
在不同的问题里面，我们需要开发不同的深度学习的模型。
回到第一个浪漫主义的观点，深度学习跟人脑的关系。
计算机视觉里面一个很著名的深度学习的模型是卷积神经网络。
他们做这个的时候受到一个模型的启发，这个模型80年代获得诺贝尔医学生理学奖。
他讲的是视觉神经系统早期在视觉皮层里面怎么样处理视觉信息。
用很多的图像数据训练卷积神经网络，这个网络能够非常接近的体现视觉神经系统的行为。
每一层的神经元是一个特征提取器，一个具体的神经元对什么特征敏感，这里面讲的是他对不同朝向的边界敏感。
更高一层，把下面这一层提取的结果，去组成更复杂的模式匹配。
如果是两条边你结合在一起会形成一个物体的各个部位，比如说鼻子的提取，再往下走，就更具有语意，他可以把下面的东西组成更加丰富的物体结构。
这里面他是一个从信号逐层抽象、逐层变换的过程。
跟我们今天所了解的生物视觉系统是非常相关的。
但基本上我们只是知道这个联系，今天为止，我们做的很多的工作跟这个联系并没有太多的关系，也未受这个联系的束缚。
从另外一个观点来讲，从统计和计算方面来分享。
在机器学习里面，我们关心的是推广误差，他不是看在现有数据集上面效果怎么样，而是在未知的数据上，这个系统在训练的时候没有看到的地方，叫推广误差。
去年夏天，因为我们家小孩是在美国长大，刚刚回来，刚刚从一年级开始学习，中文不太好，他有一次考完试以后跟我讲，考的不好，70几分；第二天他特别高兴的跟我讲，爸爸，我考了98分，我说这太好了，一天之内进步这么快。
他说因为今天的考题跟昨天是一样的。
这不能真实反应学习者的能力。
推广误差要在你没有见过的数据集上面衡量他的效果怎么样。
一个经典的分析方法是把推广误差分析成两部分，我们来看错误源在什么地方。
第一个叫Approximation error，也就是假设，没有假设就没有学习，你在学习做推广的时候就一定有假设，你从已知推向未知，中间一定有一个结构在里面。
古代我们讲近朱者赤，近墨者黑，这有一个相似性-如果是相似的物体具有相似的属性。
这里面隐含着函数平滑假设，我们做一个假设，通常反映在你的模型中间，所有的假设可能是错的。
在统计学里面有一个，假设不完美，你在假设空间里面一定能够找到最完美的那个。