本文已参与「新人创作礼」活动，一起开启掘金创作之路。
人工智能网络:
类似在神经网络中的一层一层就类似是激活函数,通过激活函数对特定的数据段起反应
反向传播算法
原来算猫狗,现在想算猴子和大象:
1.重新算一个
2.做知识迁移,通过把猫狗的数据归纳到猴子和大象之中
计算神经网络:
不是一层一层算的,而是通过把神经网络类似整合为同一个函数,所有的参数都在同一次调整
？好像不是这样的，否则要反向传播有何用？ 答：不是这样的
计算何时停止?
1.误差到一定的阈值之下
2.计算到一定的次数就不计算了
随机梯度下降如果下降到中间的一个极小值,但是不是全局的最小值,那就可能需要人工来做,或者通过调整补长来做
马尔科夫链+随机过程
随机过程是利用这些统计模型把整个过程进行量化处理,公式就可以推导出来
马尔科夫链类似金鱼的记忆只有三秒，无记忆性要求下一状态的概率分布只能由当前状态决定，在时间序列上与之前的时间均无关。
由于某一时刻的状态转移概率只依赖于它的前一个状态，只要求出系统中任意两个状态之间的转换概率（齐次模型，这个转换概率不变化）0，马尔科夫链模型就确定了。
一般来说马尔科夫链讲的是离散的时序，离散的状态（今天、每天、、、不是时间完全连接的）
状态转移架构一定有限次数序列的转换，最终一定可以得到一个稳定的概率分布，而且与初始的概率无关（一直算到后面，概率分布就不变了）
隐马尔可夫（马尔可夫+隐藏的状态）：
各个状态会生成一个随机结果，但是这个状态可能是看不到的
转移概率和输出概率：
转移概率：用哪个骰子
输出概率：每个骰子出现哪一面的概率
评估问题；；向前，向后算法
模型学习问题：即参数估计问题；；baum-welchs算法
预测问题：解码问题；；维比特编码
预测方法：
1.穷举法，找出概率最大的就行
2.前向算法
