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

2.1. 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

3.1. 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

4.1. 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

5.1. 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