本回應(yīng)偏長(zhǎng)，而且包括4個(gè)帶圖的案例，詳細(xì)看了很有可能必須15分鐘。
更詳盡版的具體描述，盡在我[決勝千里]互聯(lián)網(wǎng)大數(shù)據(jù)和人工智能時(shí)期下的計(jì)量經(jīng)濟(jì)學(xué) 的欄目文章內(nèi)容：
大話“人工智能、計(jì)算機(jī)科學(xué)、深度學(xué)習(xí)”--具體描述 - 知乎專欄
利益相關(guān)：小編大學(xué)本科應(yīng)數(shù)，碩士研究生計(jì)量經(jīng)濟(jì)學(xué)（最優(yōu)化理論），博士研究生人工智能（偏計(jì)算機(jī)視覺(jué)效果）。持續(xù)倆學(xué)年在海德堡大學(xué)數(shù)學(xué)課與計(jì)算機(jī)系設(shè)立了碩士的深度學(xué)習(xí)、組合優(yōu)化seminar。
序言：交叉科學(xué)乃必然趨勢(shì)，交叉學(xué)科隨后應(yīng)市場(chǎng)的需求創(chuàng)造為之。學(xué)精提升、統(tǒng)計(jì)分析、程序編寫(xiě)，踏遍世界都不害怕。
1，人工智能（Artificial Intelligence）
這一定義較大，放到第一個(gè)說(shuō)。
簡(jiǎn)易地說(shuō)，計(jì)算機(jī)能像人一樣思索并全自動(dòng)解決每日任務(wù)，就可以稱之為人工智能，即教計(jì)算機(jī)進(jìn)行人想結(jié)束的錯(cuò)綜復(fù)雜的或具備高寬比反復(fù)的每日任務(wù)。(喂，許多領(lǐng)域的搬運(yùn)工人能夠 因而失業(yè)了，包含美國(guó)華爾街的外匯交易員弟兄們)
此外計(jì)算機(jī)科學(xué)、互聯(lián)網(wǎng)大數(shù)據(jù)也歸屬于人工智能定義范圍，由于人工智能教計(jì)算機(jī)解決的，一般全是互聯(lián)網(wǎng)大數(shù)據(jù)。
舉個(gè)比較簡(jiǎn)單的事例：預(yù)測(cè)分析（Prediction）。
讓你一堆點(diǎn)（x_i,y_i）,人的眼睛一看，依據(jù)數(shù)據(jù)信息過(guò)去的發(fā)展趨勢(shì)，y_n應(yīng)當(dāng)發(fā)生在箭頭符號(hào)是指的地區(qū)?？墒羌偃绾筮呥€有100，1000個(gè)點(diǎn)等著你預(yù)測(cè)分析呢？這時(shí)候你需要教會(huì)計(jì)算機(jī)怎樣依據(jù)x_n計(jì)算y_n的值。--非常簡(jiǎn)單，學(xué)過(guò)統(tǒng)計(jì)分析的需要都了解回歸分析（Linear Regression），用最小二乘法計(jì)算計(jì)算b_0和b_1，那麼y=b_0 b_1*x，電腦上就可以按照這一公式計(jì)算來(lái)預(yù)測(cè)分析后邊全部的y值。自然有升階版的按段回歸分析(piecewise limear fitting)，熱烈歡迎關(guān)注我的運(yùn)籌帷幄欄目下回分解。
第二個(gè)略微繁雜點(diǎn)的事例：模式識(shí)別（Pattern Recognition）里的圖像分割（Image Segmentation）。
讓你一張圖片，人了解勾畫(huà)出圖中全部物件的輪廊，就把該圖切分變成幾元。可是給你100，1000幅圖呢？你也有細(xì)心一張張拿手描輪廊？此刻你需要教計(jì)算機(jī)如何畫(huà)這一輪廊，而且不僅僅限于多張圖，這一實(shí)體模型或優(yōu)化算法務(wù)必適用大部分的圖片。這就是模式識(shí)別和圖像分割。
2，模式識(shí)別（Pattern Recognition）
僅是一個(gè)定義，或是是運(yùn)用。把一堆亂七八糟的信息或圖中藏于的“方式”或標(biāo)準(zhǔn)用計(jì)算機(jī)自動(dòng)檢索出去。
上邊的第二個(gè)事例--圖像分割，就是模式識(shí)別。
再來(lái)一個(gè)事例--聚類算法（Clustering）--無(wú)監(jiān)管的學(xué)習(xí)培訓(xùn)
下左圖在計(jì)算機(jī)來(lái)看，只是是12個(gè)點(diǎn)（x，y座標(biāo)），可是肉眼能夠 辨別它大概能夠分成三類。怎樣教計(jì)算機(jī)把數(shù)據(jù)信息分類呢？這就是聚類算法難題。在其中最經(jīng)典的實(shí)體模型或是優(yōu)化算法叫K-means。
3，數(shù)據(jù)分析（Statistical Analysis）、神經(jīng)網(wǎng)絡(luò)（Neural Network）
把這個(gè)歸入一類，是由于她們?nèi)且环N處理現(xiàn)實(shí)情況的實(shí)體模型。比如處理圖像分割難題，你能用統(tǒng)計(jì)分析的實(shí)體模型（如馬爾科夫隨飛機(jī)場(chǎng)），你也可以用神經(jīng)網(wǎng)絡(luò)實(shí)體模型。
統(tǒng)計(jì)分析做為一門(mén)歷史悠久的課程歷史淵源濃厚，近期由于深度學(xué)習(xí)、人工智能的盛行，統(tǒng)計(jì)模型也再一次熱了起來(lái)（尤其是概率圖模型）。堅(jiān)信這兩個(gè)課程會(huì)具有緊密聯(lián)系相互促進(jìn)的實(shí)際效果。
神經(jīng)網(wǎng)絡(luò)（遷移學(xué)習(xí)門(mén)內(nèi)，必須 有標(biāo)識(shí)的數(shù)據(jù)信息）也是日益突出，一開(kāi)始的全連接層神經(jīng)網(wǎng)絡(luò)（Fully Connected Neural Network）及其雙層神經(jīng)網(wǎng)絡(luò)，全是傳統(tǒng)式神經(jīng)網(wǎng)絡(luò)，因?yàn)橹饕獏?shù)多測(cè)算復(fù)雜性很高，因而應(yīng)用性不強(qiáng)沒(méi)有獲得充分的高度重視。直至近幾年來(lái)卷積和神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks）的問(wèn)世，深層神經(jīng)網(wǎng)絡(luò)（Deep Neural Network）已基本上擊殺別的一切傳統(tǒng)式方式，唯一缺陷便是必須有標(biāo)識(shí)的巨大的數(shù)據(jù)及其練習(xí)時(shí)間太長(zhǎng)。
自然人工智能，尤其是深度神經(jīng)網(wǎng)絡(luò)有超溫的發(fā)展趨勢(shì)，造成 炒定義那樣歪風(fēng)邪氣的造成，乃至有以偏概全之嫌。下邊連接乃計(jì)算機(jī)視覺(jué)效果領(lǐng)軍人之一加州大學(xué)洛杉磯分校UCLA應(yīng)用統(tǒng)計(jì)學(xué)和計(jì)算機(jī)科學(xué)研究專家教授Song-Chun Zhu的訪談錄，給深度神經(jīng)網(wǎng)絡(luò)潑一點(diǎn)涼水。探析計(jì)算機(jī)視覺(jué)效果的三個(gè)根源、兼談人工智能｜標(biāo)本兼治
4，大數(shù)據(jù)挖掘（Data Mining）
定義上講，從一大堆數(shù)據(jù)信息里發(fā)掘出你愿意的實(shí)用的信息內(nèi)容。如何，是否和模式識(shí)別有點(diǎn)兒同工異曲之妙？
但是其關(guān)鍵數(shù)據(jù)信息的對(duì)象是數(shù)據(jù)庫(kù)查詢（Database），一般大數(shù)據(jù)挖掘不包含圖片或短視頻的解決。
wiki百科上提供了那樣一句表述：Data mining is the analysis step of the "knowledge discovery in databases" process, or KDD. （現(xiàn)階段炒得很熱門(mén)的KDD杯便是她的簡(jiǎn)稱）
做為一個(gè)運(yùn)用，可以用許多實(shí)體模型或方式 來(lái)進(jìn)行大數(shù)據(jù)挖掘這一每日任務(wù)。例如概率圖模型。
5，深度學(xué)習(xí)（Machine Learning）
深度學(xué)習(xí)等于統(tǒng)計(jì)分析 提升，它能夠 當(dāng)作是一個(gè)方式 ，用于開(kāi)展模式識(shí)別或大數(shù)據(jù)挖掘。但針對(duì)統(tǒng)計(jì)分析和計(jì)量經(jīng)濟(jì)學(xué)這個(gè)門(mén)基礎(chǔ)科學(xué)而言，也是運(yùn)用（見(jiàn)下邊四類難題），它很多地使用了統(tǒng)計(jì)分析的模式如馬爾科夫隨飛機(jī)場(chǎng)（Markov Random Field--MRF），最終轉(zhuǎn)換成一個(gè)動(dòng)能降到最低的優(yōu)化問(wèn)題。
深度學(xué)習(xí)里邊最重要的四類難題（運(yùn)用）：預(yù)測(cè)分析（Prediction）--可以用重歸（Regression），聚類算法（Clustering）--如K-means方式 ，歸類（Classification）--如svm算法法（SVM），特征提?。―imensional reduction）--如主成分分析方法（Principal component analysis (PCA)）。
講一下在其中歸類（Classification）的一個(gè)事例：
電子郵件管理工具中的垃圾短信和非垃圾短信的歸類，便是一個(gè)非常典型的深度學(xué)習(xí)的歸類難題。這是一個(gè)有監(jiān)督管理的培訓(xùn)難題（Supervised Learning），什么是有監(jiān)管呢？計(jì)算機(jī)是在你的監(jiān)管（標(biāo)識(shí)）下開(kāi)展培訓(xùn)的。簡(jiǎn)易地說(shuō)，剛來(lái)一封電子郵件，你將他標(biāo)識(shí)為垃圾短信，計(jì)算機(jī)就學(xué)習(xí)培訓(xùn)該電子郵件里有哪些內(nèi)容才導(dǎo)致你標(biāo)識(shí)為“廢棄物”；反過(guò)來(lái)，你標(biāo)識(shí)為一切正常電子郵件，計(jì)算機(jī)也學(xué)習(xí)培訓(xùn)當(dāng)中的具體內(nèi)容和垃圾短信有什么不一樣你才把它標(biāo)識(shí)為“一切正常”。能夠 把這兩個(gè)歸類簡(jiǎn)易的當(dāng)做"0"和“1”的歸類，即二分難題（Binary Classification）。而且，伴隨著你標(biāo)識(shí)愈來(lái)愈多，計(jì)算機(jī)學(xué)習(xí)培訓(xùn)到的周期性也愈來(lái)愈多，新發(fā)生一封電子郵件標(biāo)識(shí)的準(zhǔn)確率也會(huì)變得越來(lái)越高。
自然歸類可不僅用在辨別垃圾短信，別的運(yùn)用比如金融機(jī)構(gòu)詐騙買(mǎi)賣的辨別(商務(wù)智能范圍)。因而全是炒個(gè)定義嘛，技術(shù)性全是那么一回事兒。
深度學(xué)習(xí)的歸類：遷移學(xué)習(xí)（Supervised Learning，如深度神經(jīng)網(wǎng)絡(luò)），無(wú)監(jiān)督學(xué)習(xí)（Un-supervised Learning，如聚類算法），半監(jiān)督學(xué)習(xí)（Semi-supervised Learning），強(qiáng)化學(xué)習(xí)（Reinforced Learning）。
前邊講了遷移學(xué)習(xí)，無(wú)監(jiān)督學(xué)習(xí)即在沒(méi)有人力標(biāo)識(shí)的情形下，計(jì)算機(jī)開(kāi)展預(yù)測(cè)分析、歸類等工作中。比如2中的聚類算法（Clustering）的事例，你事前沒(méi)有對(duì)圖上的點(diǎn)開(kāi)展標(biāo)識(shí)。
這節(jié)最終出一個(gè)思考題，1中的回歸分析歸屬于監(jiān)管或是無(wú)監(jiān)督學(xué)習(xí)呢？
6，計(jì)量經(jīng)濟(jì)學(xué)（Operations Research（O.R.））,最優(yōu)化理論（Optimization）
因?yàn)镺.R.出生，放到最終一點(diǎn)，小編務(wù)必標(biāo)本兼治O.R.的在這其中飾演的關(guān)鍵人物角色。
在深度學(xué)習(xí)里我已提及，這兒再注重一遍，基本上任何的人工智能難題最終會(huì)歸納為求得一個(gè)優(yōu)化問(wèn)題（Optimization Problem）。而科學(xué)研究怎樣求得優(yōu)化問(wèn)題的課程，恰好是計(jì)量經(jīng)濟(jì)學(xué)。
計(jì)量經(jīng)濟(jì)學(xué)的功效，不但僅限于求得別的實(shí)體模型（如統(tǒng)計(jì)分析）最終發(fā)生的優(yōu)化問(wèn)題，還可以做為實(shí)體模型自身（優(yōu)化模型）來(lái)處理人工智能難題。
先簡(jiǎn)易講解下優(yōu)化問(wèn)題的構(gòu)造，即目標(biāo)函數(shù)和約束方程。優(yōu)化問(wèn)題便是求得在約束方程達(dá)到的情形下促使目標(biāo)函數(shù)最佳的解。
這兒簡(jiǎn)易舉兩個(gè)事例：
1中的求得回歸分析的最小二乘法難題，徹底能夠當(dāng)作計(jì)量經(jīng)濟(jì)學(xué)中過(guò)來(lái)人的二次規(guī)劃難題（Quadratic Programming），其優(yōu)化模型如下所示：
min: sum_(a*x_i b - y_i)^2
目標(biāo)函數(shù)是降到最低重歸偏差的平均數(shù)，因?yàn)檫^(guò)來(lái)人，因而能夠算得其解析解(a,b)。此外絮叨一句，深度學(xué)習(xí)、深度神經(jīng)網(wǎng)絡(luò)中的“學(xué)習(xí)培訓(xùn)”二字，只是就是指求得主要參數(shù)的全過(guò)程。比如這兒求取主要參數(shù)a、b，就是“深度學(xué)習(xí)”了這一預(yù)測(cè)分析的難題。是否能夠 與同學(xué)說(shuō)大話了？
svm算法難題，從計(jì)量經(jīng)濟(jì)學(xué)的視角去模型，能夠 寫(xiě)出一個(gè)有約束力的二次規(guī)劃難題：
目標(biāo)函數(shù)是利潤(rùn)最大化藍(lán)點(diǎn)和小紅點(diǎn)到正中間翠綠色超平面(hyperplane)的安全距離(margin)，約束方程是小紅點(diǎn)在左邊斜線左下角，藍(lán)點(diǎn)在右邊斜線右上角。(soft margin的情形下容許約束方程能夠 有一定的減少)
實(shí)際參照如下所示連接的1.4.7. Mathematical formulation 1.4. Support Vector Machines
最終絮叨一句小編的研究方位，便是用計(jì)量經(jīng)濟(jì)學(xué)中的混和線性規(guī)劃問(wèn)題（Mixed Integer Nonlinear Programming）實(shí)體模型模型，處理人工智能中的運(yùn)用，如圖像分割。
因?yàn)榘鎵K比較有限，不會(huì)再實(shí)際進(jìn)行。有關(guān)計(jì)量經(jīng)濟(jì)學(xué)你所需了解的基本上一切，都是在下邊：
計(jì)量經(jīng)濟(jì)學(xué)--一門(mén)模型、提升、管理決策的科學(xué)研究 - 知乎專欄
升級(jí)：早上醒來(lái)時(shí)8點(diǎn)多發(fā)覺(jué)昨天晚上忘記了給小我的心嬰兒換尿布，因此這8個(gè)月大的小寶貝被過(guò)夜尿不濕包囊了近15個(gè)鐘頭。大幸沒(méi)有拉大便，不然結(jié)果無(wú)法預(yù)料。
-----------------------------------------------------------------------
與題中有關(guān)的一些干貨知識(shí)回應(yīng)：
計(jì)量經(jīng)濟(jì)學(xué)（最優(yōu)化理論）怎樣新手入門(mén)？ - 知乎問(wèn)答
深度學(xué)習(xí)中的優(yōu)化理論，必須 了解什么材料才看得懂？ - 知乎問(wèn)答
想學(xué)數(shù)據(jù)統(tǒng)計(jì)分析（人工智能）必須學(xué)那些課程內(nèi)容？ - 知乎問(wèn)答
Data Science/Analytics 出生，能夠 在咨詢業(yè)做些哪些？
如果你是計(jì)量經(jīng)濟(jì)學(xué)/人工智能本碩博或在學(xué)，請(qǐng)?jiān)谖⑿殴娞?hào) @運(yùn)籌帷幄OR運(yùn)等 后臺(tái)管理留言板留言：“加微信好友”。系統(tǒng)軟件會(huì)全自動(dòng)分辨你的關(guān)鍵詞，并提醒您進(jìn)一步的進(jìn)群規(guī)定和流程，邀約您進(jìn)全世界運(yùn)籌帷幄或AI專家學(xué)者群（群內(nèi)學(xué)術(shù)界、業(yè)內(nèi)巨頭匯集）。
與此同時(shí)大家有：【計(jì)量經(jīng)濟(jì)學(xué)|提升發(fā)燒友】【供應(yīng)鏈管理|貨運(yùn)物流】【人工智能】【計(jì)算機(jī)科學(xué)|剖析】上千人QQ群，想進(jìn)群的朋友能夠關(guān)心下邊微信公眾號(hào)點(diǎn)一下“添加小區(qū)”按鍵，得到入群傳送器。
敬請(qǐng)期待和蔓延本欄目及同名的微信公眾號(hào)，會(huì)相繼公布計(jì)量經(jīng)濟(jì)學(xué)、人工智能中優(yōu)化理論有關(guān)干貨知識(shí)及行業(yè)資訊：『運(yùn)籌帷幄OR運(yùn)等』互聯(lián)網(wǎng)大數(shù)據(jù)和人工智能時(shí)期下的計(jì)量經(jīng)濟(jì)學(xué) - 知乎專欄
最終是 @留德華叫獸 通向異國(guó)他鄉(xiāng)高薪職位博士研究生崗位，及其人工智能大數(shù)據(jù)工程師的傳送器：
歐洲地區(qū)、北美地區(qū)、全世界出國(guó)留學(xué)及人工智能、計(jì)算機(jī)科學(xué)深層個(gè)人資詢，此后DIY - 知乎專欄
