学习心得
在进行了几周的学习之后对机器学习有了一定的认识，首先从模式识别定义说起，模式识别是根据已有知识的表达，针对待识别模式，判别和决策期所属的类别或预测其回归值。知识，我的理解是对事物固有属性或事物间联系的描述，我们可以以A->B这样来描述它，属性和联系是多对多的，比如苹果是长在树上的，梨也是长在树上的，而模式识别要做的就是通过数据获取待识别模式的特征，从而判定其类别或预测其回归值。这几周的学习主要是将数据可量化可计算化，也就是特征向量，在这部分的学习中感觉比较困难的就是由于特征是多维的，比较抽象，理解起来比较困难，此外这部分涉及到一些线性代数的知识遗忘得比较多，因而不得不将线代重新拾起，接下来得课程是通过某一方法计算待识别模式与所属类别的相似程度，介绍了什么是欧式距离，马氏距离等等，以及这些方法的特点与不足，感觉课程的思想不难，分类判别的公式也不难，公式的推导是我觉得较为复杂的一部分，通过学习我基本了解了机器学习要学什么，我的薄弱点是什么，在今后的学习中我将加强对线性代数以及公式推导部分的学习以更好地掌握这门课。
人工智能领域前沿技术的介绍
以下是我在网上查找的关于人工智能领域前沿技术的介绍：
深度学习通过构建多隐层模型和海量训练数据，来学习更有用的特征，最终提升分析准确性。深度学习能够通过数据挖掘进行海量数据处理，自动学习数据特征，尤其适用于包含少量未标识数据的大数据集；采用层次网络结构进行逐层特征变换，将样本的特征表示变换到一个新的特征空间，从而使分类或预测更加容易。因此，深度学习自2006年由Jeffery Hinton实证以来，在云计算、大数据和芯片等的支持下，已经成功地从实验室中走出来，开始进入到了商业应用，并在机器视觉、自然语言处理、机器翻译、路径规划等领域取得了令人瞩目的成绩。
对抗性神经网络是指由一个不断产生数据的神经网络模块与一个持续判别所产生数据是否真实的神经网络模块组成的神经网络架构，创造出近似真实的原创图像、声音和文本数据的技术。该技术有望大幅提升机器翻译、人脸识别、信息检索的精度和准确性，随着三维模型数据序列能力的提升，未来将在自动驾驶、安防监控等领域产生可观的应用价值。
胶囊网络是指在深度神经网络中构建多层神经元模块，用以发现并存储物体详细空间位置和姿态等信息的技术。该技术能使机器在样本数据较少情形下，快速识别不同情境下的同一对象，在人脸识别、图像识别、字符识别等领域具有广阔的应用前景。
云端人工智能是指将云计算的运作模式与人工智能深度融合，在云端集中使用和共享机器学习工具的技术。该技术将庞大的人工智能运行成本转移到云平台，能够有效降低终端设备使用人工智能技术的门槛，有利于扩大用户群体，未来将广泛应用于医疗、制造、能源、教育等多个行业和领域。
神经形态计算是指仿真生物大脑神经系统，在芯片上模拟生物神经元、突触的功能及其网络组织方式，赋予机器感知和学习能力的技术。该技术的目标在于使机器具备类似生物大脑的低功耗、高效率、高容错等特性，将在智能驾驶、智能安防、智能搜索等领域具有广阔应用前景。
量子神经网络是指采用量子器件搭建神经网络，优化神经网络结构和性能的技术。该技术充分利用了量子计算超高速、超并行、指数级容量的特点，有效缩短了神经网络的训练时间，未来将在人脸识别、图像识别、字符识别等领域具有重要应用价值和广阔前景。
我国人工智能领域的先进与不足
总体来看，中国人工智能产业蓬勃发展，已经成为人工智能发展极为迅速的国家之一。中国人工智能快速发展的推动力主要来自计算力明显的提升、多方位的政策支持、大规模多频次的投资以及逐渐清晰的用户需求。根据乌镇智库发布的数据，中国人工智能企业历年融资额、人工智能专利数量及人工智能论文数量均位世界前列。但我国人工智能基础层技术仍然薄弱，人工智能基础层提供计算力，主要包含人工智能芯片、传感器、大数据及云计算。其中芯片具有极高的技术门槛，且生态搭建已经基本成形。目前该层级的主要参与者为Nvidia、Mobileye和英特尔在内的国际科技巨头，中国在基础层实力相对薄弱。中国芯片起步较晚，核心技术方面，空白较多，需要填补。我国芯片产业起步较晚，技术的劣势很明显，生产的芯片比较粗糙，质量无法保障，更是没有统一标准，无法规模化生产。当前核心集成电路的16项当中，国产芯片有9项的占有率是0%。我国芯片对外依赖度较高，离开独立设计和生产还有很大距离。据官方数据，我国有近9成的芯片依靠国外进口，仅2017年就高达2601亿美元，远超过了石油的进口规模，是中国进口额最大的领域，贸易逆差也高居不下，2017年达到了近年来最高值1932亿美元。中兴事件正是由于我国在在一方面技术较为薄弱，幸运的是，中国在芯片制造领域的能力正在不断提升中。