这文章记录一些关于计算机的知识，我觉得程序员应该可以看看，大部分都是抽象，我们在写代码或者在做程序的时候，不用在乎底层知识，我们只需要写，编译器会帮我们处理成想要的样子，我觉得硬件底层是很复杂的一个东西，它不仅仅是编程的逻辑判断，还有物理知识,电的知识，这篇文章是一个个抽象来理解计算机，所以我们不用关心底层什么 ALU，或者 计算等等。

视频

这篇文章不只是记录，也写包括我的理解，可能不是很对，有错误请给提 issues。

感谢CrashCourse 字幕组 以及 Crash Course 你们很棒.

计算机很擅长存放，整理，获取和处理大量数据，很适合上百万的商品的电商网站，或是存几十亿条健康记录，方便医生看。

想根据数据做决定呢？这是机器学习的本质

机器学习算法让计算机可以从数据中学习，然后自行做出预测和决定。

能自我学习的程序很有用，比如判断是不是垃圾邮件。

大多数计算机科学家会说，机器学习是为了实现人工智能这个更宏大目标的技术之一，人工智能简称 AI

机器学习和人工智能算法一般都很复杂。

概念

判断飞蛾是 “月蛾” 还是 “帝蛾” 。这叫 “分类” 。做分类的算法叫 “分类器”。

虽然我们可以用 照片和声音 来训练算法，很多算法会减少复杂性，把数据简化成 “特征” 。特征 是用来帮助 分类 的值。

对比之前的飞蛾分类例子，我们用两个特征：“翼展” 和 ”重量“，为了训练 ”分类器“ 做出好的预测，我们需要 ”训练数据“，为了得到数据，我们派昆虫学家到森林里收集 ”月蛾“ 和 “帝蛾”的数据,专家可以认出不同飞蛾,所以专家不只记录特征值，还会把种类也写上。

标记数据，因为只有两个特征，很容易用散点图把数据视觉化。

但是散点图想完全区分两个组比较困难，所以机器学习算法登场，找出最佳区分。臂展小于45毫米的，很可能是帝蛾,可以再加一个条件，重量必须小于 .75 才算是帝蛾，这里我们预测是 “月蛾”

这个把决策空间，切成几个盒子的简单方法，可以用 决策树 来表示。

生成决策树的 机器学习算法

“决策树” 只是机器学习的一个简单例子,如今有数百种算法，而且新算法不断出现。一些算法甚至用多个 “决策树” 来预测。

也有不用树的方法，比如 “支持向量机” 本质上是用任意线段来切分 “决策空间” 。

不一定是直线，可以是多项式或其他数学函数，就像之前，机器学习算法负责，找出最好的线，最准的决策边界

如果加第3个特征，比如 “触角长度”，那么 2D 线段，会变成 3D平面，

在三个维度上做决策边界。

这些平面不必是直的，真正有用的分类器会有很多飞蛾种类

成百上千的特征,但这正是机器学习要面临的问题，

在上千维度的决策空间，给超平面（Hyperplane）找出一个方程吗？但机器学习算法可以做到。

谷歌，facebook，微软，和亚马逊的计算机里，整天都在跑这些算法。

决策树 和 支持向量机 这样的技术发源自统计学

一大类机器学习算法用了统计学，但也有不用统计学的算法，其中值得注意的是 人工神经网络 灵感来自大脑的神经元。

训练更复杂的网络，需要更多的计算量和数据。

谷歌，facebook，展示了深度神经网络，在照片识别人脸的准确率，和人一样高。

这是个巨大的里程碑

现在有深层神经网络开车，翻译，诊断医疗状况等，这些算法非常复杂，但还不够“聪明”

它们只能做一件事，分类飞蛾，找人脸，翻译。

这种 AI 叫 “弱AI” 或 “窄AI” ，只能做特定任务

强AI

像人一样聪明的 AI，目前没人能做出来，接近人类智能的 AI

ChatGPT 我希望在有生之年能有 强AI 的出现，解决人类的问题。