1. 人工智能
1.1. 让计算机按照我们通常认为只属于人类独有的方式运行
1.2. 图像识别系统可以非常有效地分离出图像的组成部分，然后给出这些组成部分是什么
1.2.1. 用于识别癌细胞、视网膜疾病等类似疾病的医学图像处理有时与普通临床医生一样好，尽管还不如最专业的专家
1.2.2. 人脸识别技术用于打开手机和开门方面已经卓有成效，尽管它可能（而且经常）被滥用于商业和政府目的
1.3. 机器学习(machine learning)
1.3.1. 是人工智能的一个子领域，该技术被用于训练算法以便它们能够做出自己的决定，从而执行一些我们称之为AI的任务
1.3.2. 机器学习系统不假设一个模型，而是试图找到数据中的关系
1.3.3. 通常机器学习系统应用于更大的数据集
1.4. 在统计分析中，我们对产生一些数据的某种机制进行建模，然后试图找到最吻合该数据的模型参数
1.5. 统计学和机器学习都具有概率性：它们给出的答案有一定的概率是正确的，但不能保证完全正确
1.6. 深度学习是机器学习的一种特殊形式，它使用的计算模型，至少从比喻意义上说，类似于我们自己大脑中的神经网络
1.7. 深度学习的实现松散地模仿人类大脑的处理方式
1.7.1. 一组神经元用于检测低级特征
1.7.2. 它们的输出为其他神经元提供输入，这些神经元根据较低水平的特征识别较高水平的特征，以此类推
1.7.3. 随着该系统的不断学习，一些神经元之间的联系被加强，而另一些被削弱
1.8. 在专家系统中，领域专家写下大量的规则，程序员将这些规则转换成代码，然后计算机应用它们执行一些任务
- 1.8.1. 医学诊断就是一个流行的应用领域
2. 经典机器学习
2.1. 机器学习的基本思想是给一个算法输入大量的示例，从而让它自己“学习”，不需要给定规则，也不需要明确编程来解决特定的问题
2.2. 基于标记数据的学习称为监督学习(supervised learning)
2.3. 手写数字识别是一个众所周知的技术
2.4. “过拟合”，即算法在训练数据上表现良好，但在新数据上表现很差
2.5. 垃圾邮件检测和数字识别是分类的例子，即将条目放入正确的类别
2.6. 与监督学习相比，无监督学习使用的是未标记的训练数据，即没有标记或做了任意标记的数据
2.6.1. 非监督学习算法试图在数据中找到模式或结构，根据它们的特征对条目进行分组
2.6.2. 有一种流行的算法—k-means聚类，该算法尽最大努力将数据分配给k组，其方式是最大化同一组中各个条目的相似性，同时最小化一组与另一组之间的相似性
2.6.3. 无监督学习对于识别某些数据项组中的异常值也很有用
2.6.4. 无监督学习的优点是不需要进行昂贵的标记或具有标记的训练数据，但它并不适用于所有情况
3. 神经网络
3.1. 大脑的功能是基于神经元的连接，神经元是一种特殊的细胞，对触摸、声音、光线或其他神经元的输入等刺激做出反应
3.2. 神经网络并不是一个新概念，但早期的研究并没有产生足够有效的结果，因此神经网络没有得到推崇
3.3. 深度学习在与计算机视觉相关的任务中尤其成功，即让计算机识别图像中的物体，有时还能识别特定的实例，比如人脸
3.4. 计算机视觉是许多机器人应用的核心，特别是自动驾驶汽车，显然必须能够解读周围的世界，而且必须以很快的速度完成这一任务
3.5. 人脸识别会极大地增加监控的潜力，但人脸识别也能实现微妙的歧视
3.6. 深度学习最引人注目的成功之一，是创造出了能出色玩国际象棋和围棋等最难的人类游戏的算法，而且比最优秀的人类棋手更出色
3.6.1. 不仅比人类强，而且通过与自己对弈，它们在几个小时内就学会了如何做到这一点
3.6.2. AlphaGo是由DeepMind公司（后来被谷歌收购）开发的程序，也是第一个击败专业围棋选手的程序
3.6.3. AlphaGo Zero表现更胜一筹，然后是AlphaZero，它不仅会下围棋，还会下国际象棋和难度相当的日本桌游shogi
3.6.4. AlphaZero通过与自己对弈来自学如何下棋，经过一天的训练，它能够击败最好的传统国际象棋程序Stockfish
3.6.4.1. 在一场100局的比赛中，AlphaZero以28胜、零负、72平击败了Stockfish
3.6.4.2. AlphaZero基于一种被称为强化学习的深度学习形式，它利用来自外部环境的反馈（在游戏中，就是输还是赢了）来不断提高其性能
3.6.4.3. 不需要训练数据，因为环境会告诉它是否在做正确的事情，至少是朝着正确的方向前进
4. 自然语言处理
4.1. 自然语言处理(NLP)是机器学习的一个子领域，研究如何让计算机处理人类语言
4.2. 情感分析(sentiment analysis)是自然语言理解的一种有趣的特殊情况，它试图确定一段文本从本质上是积极的还是消极的
4.3. 人工智能面临的另一个挑战是以人类水平进行对话
4.4. 机器学习并不是万能的
- 4.4.1. 人工准备的训练数据很有可能把算法引入歧途
4.5. 机器学习模型有时被用于刑事司法系统，以预测被指控犯罪的人是否有再犯风险，这会影响保释和量刑的决定
5. 未来
5.1. 在硬件方面，理解计算机是如何组织的，它们如何表示和处理信息，一些术语和数字的含义是什么，以及它们是如何随着时间的推移而变化的，是很有帮助的
5.2. 通信系统既在本地也在世界各地运转
5.2.1. 重要的是要了解信息是如何流动的，谁可以访问它，以及它是如何被控制的
5.2.2. 协议是系统如何交互的规则，也很重要，因为它们的属性可以产生深远的影响，正如我们在当今网上身份验证问题中看到的那样
5.3. 计算机系统是进行工程方面权衡的一个很好的例子，它提醒我们，没有什么是不需要成本的—没有免费的午餐
5.4. 计算机系统也是如何将大型和复杂的系统划分为更小的、更易于管理的、可以独立创建的部分的很好的例子
- 5.4.1. 软件、API、协议和标准的分层都是例证
5.5. 信息的通用数字化表示(universal digital representation of information)
5.6. 通用数字处理器(universal digital processor)
5.6.1. 计算机是一种对比特进行操作的数字设备
5.6.2. 指令用于告诉处理器该做什么，它们被编码为比特，并且通常与数据存储在同一内存中
5.6.3. 改变指令会导致计算机做不同的事情，这就是为什么计算机能成为通用机器的原因
5.7. 通用数字网络(universal digital network)，它将比特（包括数据和指令）从一个处理器传送到世界任何地方的另一个处理器
5.8. 数字系统的普遍可用性(universal availability of digital systems)
- 5.8.1. 随着技术的进步，数字设备将继续变得更小、更便宜、更快、更普及
5.9. 隐私正在受到企图颠覆其概念的商业、政府和犯罪目的的持续威胁
- 5.9.1. 监控，从无处不在的摄像头到网络跟踪，再到记录我们手机的位置，都在持续增加，而存储和处理成本的指数级下降，使得对我们的整个生活进行完整的数字记录变得越来越可行
5.10. 控制可能是最大的问题
5.10.1. 政府希望控制公民在互联网上的言论和行为
5.10.2. 互联网越来越成为所有媒体的代名词，国家防火墙可能会变得越来越普遍，越来越难以规避
5.11. 反垄断在欧盟和美国都是一个重大问题
