人工智能的兴起在很大程度上是由人工智能学中的一种工具驱动的。
在本视频中，您将了解什么是机器学习，因此最终，您希望我们将开始思考如何将机器学习应用于您的公司或行业。
最常用的机器学习类型是一种学习A到B或输入到输出映射的AI。
这称为监督学习。
我们来看一些例子。
如果输入A是电子邮件而输出B是否是垃圾邮件，则为零。
然后，这是用于构建垃圾邮件过滤器的核心AI。
或者，如果输入是音频剪辑，并且AI的工作是输出文本记录，则这是语音识别。
更多的例子，如果你想输入英语并输出不同的语言，中文，西班牙语等等，那就是机器翻译。
或者最有利可图的监督学习形式，这种类型的机器学习可能是在线广告，其中所有大型广告平台都有一块人工智能输入关于广告的一些信息，以及一些关于你的信息，并试图弄明白，你点击这个广告了吗？
通过向您展示您最有可能点击的广告，这可能非常有利可图。
也许不是最具启发性的应用程序，但今天肯定会产生巨大的经济影响。
或者，如果你想建造一辆自动驾驶汽车，人工智能的关键部分之一就是在人工智能中输入图像，从雷达或其他传感器获取一些信息，并输出其他汽车的位置，这样你的自我驾驶carcan避开其他车。
或者在制造业。
我实际上已经在制造业中做了很多工作，你可以把你刚刚制造的东西的图片作为输入，例如手机装配线上的照片。
这是一张手机的照片，而不是手机拍的照片，你想要输出，是否存在刮痕，或者是否存在凹痕，或者是否有任何其他缺陷？
这是视觉检查，它帮助制造商减少或防止他们正在制造的东西中的缺陷。
这组AI称为监督学习，只是学习输出到输出，或A到B映射。
一方面，输入到输出，A到B似乎非常有限。
但是，当您找到正确的应用场景时，这可能非常有价值。
现在，监督学习的想法已存在了数十年。
但它在过去几年里真的兴起了。
为什么是这样？
好吧，我的朋友问道，“嘿Andrew，为什么现在监督学习兴起了？”有一张图片我为他们画画。
我现在想向你展示这张照片，你也可以为那些问你同样问题的人提供这张照片。
让我们说在水平轴上绘制一个任务的数据量。
因此，对于语音识别，这可能是您拥有的音频数据和转录的数量。
在许多行业中，在过去的几十年中，数据量的增长确实增长了。
由于互联网的兴起，计算机的兴起。
现在，许多曾经说过纸张的东西都被记录在数字计算机上。
所以，我们刚收到越来越多的数据。
现在，让我们说在纵轴上绘制AI系统的性能。
事实证明，如果你使用传统的AI系统，那么性能就会像这样增长，因为当你输入更多数据时，性能会变得更好。
但是超过某一点它没有那么好。
因此，就好像你的语言识别系统没有那么准确，或者你的在线广告系统没有那么准确地表示最相关的广告，即使你展示了更多的数据。
由于神经网络的兴起和深度学习，人工智能最近真正兴起。
我将在后面的视频中更准确地定义这些术语，所以不要太担心它现在意味着什么。
但是对于现代AI，神经网络和深度学习，我们看到的是，如果你使用小型神经网络，那么性能就像这样，在你为它们提供更多数据时，性能会持续更长时间。
如果你训练一个甚至更大的神经网络，比如中型神经网络，那么性能可能就是这样。
如果你训练一个非常大的神经网络，那么表现就会越来越好。
对于应用程序喜欢语音识别，在线广告，构建自动驾驶汽车，具有高性能，高度准确，说语音识别系统很重要，使这些AI系统更好，并使语音识别产品更容易被用户接受，对公司和用户更有价值。
现在，这个数字的几个例子。
如果你想要最好的性能水平，你的性能在这里，达到这个级别的性能，那么你需要两件事：一个是，它确实有助于拥有大量数据。
这就是为什么有时你会听到大数据的原因。
拥有更多的数据总是有帮助的。
第二件事是，你希望能够训练一个非常大的神经网络。
因此，包括摩尔定律在内的快速计算机的兴起，以及图形处理单元或GPU等专用处理器的兴起，您将在后来的视频中听到更多，这使得许多公司，而不仅仅是一家大型科技公司，许多其他公司能够在足够大的数据量上训练大型神经网络，以获得非常好的性能和商业价值。
AI中最重要的思想是机器学习，基本上是监督学习，即A到B，或输入到输出映射。
使数据更好地工作的是数据。
在下一个视频中，让我们来看看数据是什么以及数据可能已经有了什么？
以及如何考虑将其馈入AI系统。
让我们继续下一个视频。
讲师：Andrew Ng
课程：https://www.coursera.org/learn/ai-for-everyone
