以机器为载体的人类智能或生物智能
判断一个算法或系统所给出的一种行为的结果是否能被人类区别为是算法所做还是人类本身所做
自动计算机
计算机编程
神经网络计算的复杂性
智能算法的自我学习和提高
智能算法的归纳和演绎
智能算法的随机性和创造力
———————————————————————————————— 规则教 ---- 与人类逻辑推理相似，难以构建完备的知识规则库
数据学 ---- 直接从数据中学，依赖于数据、解释性不强
用问题引导 --- 从经验中进行能力的持续学习，非穷举式搜索而需要更好策略
数学与统计：微分与积分、逼近理论、矩阵与线性变换、概率论、回归分析
计算机科学：命令式编程、函数式编程、计算机系统、数据结构与算法、计算机思想
人工智能：人工智能基础、表达与问题求解、机器学习、自然语言处理与计算机视觉
————————————————————————————————————————
1.具备视觉感知和语言交流的能力
2.具备推理与问题求解能力
3.具备协同控制能力
——————————————————————————————————————————
搜索求解：
1.启发式搜索 2.对抗搜索（Minimax及Alpha-beta剪枝搜索） 3.蒙特卡洛熟搜索
搜索算法：通过模型智能体的一系列动作，按照一定规则搜索智能体的所有可能行动，直到找到 一种满足约束限制的解法，以此来指导智能体的行动
逻辑与推理
1.命题逻辑 2.谓词逻辑 3.知识图谱推理 4.因果推理
从一个典型个别事例中抽引出一个与一般命题
统计机器学习（监督学习）
1.机器学习基本概念 2.线性回归与分类 3.Ada Boosting 4.线性区别分析
从标注数据到概念空间的映射
（所学习得到的函数就是那么恰恰好，既不复杂也不简单）
统计机器学习（非监督学习）
1.K-means 2.主成分分析 3.特征人脸方法 4.期望极大算法（EM）
物以类聚，人以群分（学习数据的分布）
深度学习
1.前馈神经网络（误差后向传播） 2.卷积神经网络 3.自然语言理解与视觉分析
（端--端学习数据的区别性表达）
强化学习
1.马尔科夫决策过程 2.强化学习中策略优化与策略评估 3.Q-Learning 4.深度强化学习
智能体 <----> 环境
人工智能博弈
1.博弈相关概念(纳什均衡) 2.遗憾最小化算法 3.虚拟遗憾最小化算法
（两害相权取其轻，两利相权取其重）
