AI/ML景观
这是一篇关于100篇 人工智能 论文的文章来帮助解开 人工智能 景观的神秘。最初的部分是关于基础知识，并提供一些重要的链接来加强你的基础。后一部分链接到一些伟大的研究论文，是为那些想了解理论和细节的高级实践者。
人工智能是一场正在改变人类生活和工作方式的革命。这是一个广义的概念，即机器能够以人类认为“智能”的方式执行任务——这个术语可以追溯到70年前（见这里的历史 https://medium.com/future-today/understanding-artificial-intelligence-f800b51c767f），艾伦·图灵定义了一个测试，图灵测试 ( https://en.wikipedia.org/wiki/Turing_test)，用来测量机器表现出与人的智能行为相当或不可区分的智能行为的能力。革命有许多复杂的运动部分。我的目标是简化并提供一个关于这些复杂部分如何在一个3层蛋糕中组合在一起的观点。顶层是人工智能服务，即解决实际问题的真实应用程序，中间层是基本的ML算法，而底层是支持前两层的ML平台。
首先是基本定义，人工智能是由机器 ( https://en.wikipedia.org/wiki/Machine) 表现出来的智能( https://en.wikipedia.org/wiki/Intelligence)，而不是由人类表现出来的自然智能。机器学习（ML）是人工智能的一个子集，它基于这样一种理念：我们应该真正能够让机器访问数据，让它们自己学习。神经网络（NN）是ML的一个子集，在ML中，计算机系统被设计成像人脑一样通过对信息进行分类来工作。深度学习（Deep learning，DL）是ML的一个子集，它使用多层人工神经网络来解决诸如目标检测、语音识别和语言翻译等复杂问题。
关于AI、ML和DL之间的差异，可以在这里和这里找到一些很好的阅读资料。
https://towardsdatascience.com/notes-on-artificial-intelligence-ai-machine-learning-ml-and-deep-learning-dl-for-56e51a2071c2https://towardsdatascience.com/ai-machine-learning-deep-learning-explained-simply-7b553da5b960神经网络的基础知识在这里和这里通过代码都有很好的解释。
https://gadictos.com/neural-network-pt1/https://towardsdatascience.com/first-neural-network-for-beginners-explained-with-code-4cfd37e06eafhttps://towardsdatascience.com/machine-learning-for-beginners-an-introduction-to-neural-networks-d49f22d238f9人工智能可以根据这里解释的窄型、一般型或强型分类，也可以根据这里解释的反应机器、有限记忆、思维理论和自我意识的水平分类 。
https://www.javatpoint.com/types-of-artificial-intelligencehttps://www.aware.co.th/three-tiers-ai-automating-tomorrow-agi-asi-ani/ML算法
ML算法可以分为有监督、无监督和强化学习（这里 https://www.newtechdojo.com/list-machine-learning-algorithms/、这里 https://towardsdatascience.com/types-of-machine-learning-algorithms-yo
