前言： 剛上大學的時候，每每學習一個新的課程，總覺得學習“概論”、“分類”這種東西很無聊。後來發現，學習具體的實現細節才是最無聊的……因為永遠 記 不 住。 所以 開始告訴自己建立系統的知識框架才是重要的：

強人工智慧 & 弱人工智慧：

>> 強人工智慧：指能製造出真正地推理和解決問題的智慧機器。比如日本動漫裡的“阿童木”、鋼鐵俠的AI管家“賈維斯”就可以說是一個強人工智慧。

>> 弱人工智慧：只用於解決某些特定領域的問題，比如 AlphaGo，只會下圍棋。

目前人工智慧的現狀是：強人工智慧很弱、弱人工智慧很強。弱人工智慧已經強大到可以替代許多的崗位，深圳法庭已經開始試用智慧語音識別做庭審的發言記錄，醫院可以用影象識別技術做醫學影像的分析。而強人工智慧，按照某大咖的說法，人類目前最先進的強人工智慧，也遠遠比不上一個三歲孩子的智力。

結構化資料  & 非結構化資料：

所有的資訊科學技術，甚至於整個自然科學技術領域，說到底是都是對資料的分析處理。在人工智慧研究中，按所研究物件的資料型別的不同，可以分為：結構化資料、非結構化資料

>> 結構化資料：氣溫（36 C）、相對溫度（75%）、降水量（10mm），以上一組資料則可稱為結構化資料，即每一個維度（屬性）已經被清晰的量化。

>> 非結構化資料：像一幅影象、一段語音、一段視訊，這些都稱為非結構化資料。

那麼我們怎麼讓電腦處理非結構化資料的呢？說白了，只有華山一條山——先把非結構化資料轉化成結構化資料。比如一張有480個畫素點的圖片，我們先把它轉化為有480維度的結構化資料，再進行進一步處理。再說白了，其實“氣溫”、“相對溫度”本來也是非結構化資料，只是有人在程度員之前幫忙做了量化。

迴歸預測 & 分類預測

再再說白了，現在人工智慧所完成的很多工作，就是通過資料分析做出最合理的預測，由預測的輸出型別，可以分為： 迴歸預測、分類預測

>> 迴歸預測：定量輸出，連續變數預測。比如：預測第二天的股價是多少（契合國情，可能應該預測跌多少）

>> 分類預測：定性輸出，定性輸出。比如：預測第二天的股價是漲是跌（契合國情，可能應該預測跌不跌停）

（本文中涉及到定義及引例可能存在爭議，只作為個人的小見解，後續會繼續完善本文）