这个国庆挺无聊的，没事就想回忆回忆下大学里面学习的算法。最近有关AI的话题互联网和研究界都多了起来。那么就让我们看看简单的AI到底是怎么实现的吧。
实际上所谓的神经网络学习不要以为很高深，归根究底都是些表达式而已。举个例子，你原本不知道怎么哄妹子开心，但是你经过学习和尝试后就了如指掌了。为什么呢，因为你的大脑就拥有无比强大的神经网络。你通过给妹子买礼物，和妹子到小吃街去溜达，还有陪她拍照，买衣服奢侈品，看惊悚电影等等然后你就了解原来这个妹子喜欢什么，不喜欢什么【麻辣烫有90分，礼物她会好开心……】。这样子就会在你的大脑里面形参一个网络，这个网络就会对各种输入进行权衡判断如妹子看惊悚电影会超级害怕不高兴，自然你就会少带她去呗，而拍照又十分喜欢，所以你会给她买自拍杆，甚至你把PS学得溜溜的……。这就是神经网络的浅粗的认识。
那么为啥我们要学习和实现神经网络呢？这是不是意味着我们模拟了一个人呢？学习和实现神经网络有利于我们优化当前一些问题解决办法：借用网友的一句话“神经网络是一种模拟生物神经工作的方法，功能与人脑有某些相似之处，具有自学习和存储功能，算法具有智能性，对于处理非线性问题很有用处，并且广泛用于现在各个领域，例如做销售量的非线性预测，计算机智能控制，图像的处理，优化算法方面等等”。模拟了一个人，远远没有，就是处理信息的能力和七情六欲它都没有，算个屁人啊！
其一：如何实现智能神经网络，既然计算机可以记忆和存储，所以是可以模拟人脑的工作方式的，至于如何实现科学家和数学家们都为我等板砖的软件攻城狮设计好了，于是乎我们就学习理解消化和代码化他们的成果就好了，这是其一。
其二：利用神经网络做什么， 以前是学自动化的，自动化对工业是情有独钟，可是俺对工业没啥兴趣，于是乎这就转行做了程序员，这几年来AI在消费类电子产品和机器人（服务人的日常的）领域是有了比较火的应用：语音识别，人脸识别，聊天机器人，人工智能搜索推送等……。好吧这里又是应用下互联网的说法比较妥：
作者：屹华
连接地址：
http://www.zhihu.com/question/20272051/answer/20964248
来源：知乎
著作权归源作者所有，转载，如知乎作者不喜欢联系删除。
《神经网络》包含的30个例子：
P神经网络的数据分类——语音特征信号分类
BP神经网络的非线性系统建模——非线性函数拟合
遗传算法优化BP神经网络——非线性函数拟合
神经网络遗传算法函数极值寻优——非线性函数极值寻优
基于BP_Adaboost的强分类器设计——公司财务预警建模
PID神经元网络解耦控制算法——多变量系统控制
RBF网络的回归——非线性函数回归的实现
GRNN的数据预测——基于广义回归神经网络的货运量预测
离散Hopfield神经网络的联想记忆——数字识别
离散Hopfield神经网络的分类——高校科研能力评价
连续Hopfield神经网络的优化——旅行商问题优化计算
SVM的数据分类预测——意大利葡萄酒种类识别
SVM的参数优化——如何更好的提升分类器的性能
SVM的回归预测分析——上证指数开盘指数预测
SVM的信息粒化时序回归预测——上证指数开盘指数变化趋势和变化空间预测
自组织竞争网络在模式分类中的应用——患者癌症发病预测
SOM神经网络的数据分类——柴油机故障诊断
Elman神经网络的数据预测——电力负荷预测模型研究
概率神经网络的分类预测——基于PNN的变压器故障诊断
神经网络变量筛选——基于BP的神经网络变量筛选
LVQ神经网络的分类——乳腺肿瘤诊断
LVQ神经网络的预测——人脸朝向识别
小波神经网络的时间序列预测——短时交通流量预测
模糊神经网络的预测算法——嘉陵江水质评价
广义神经网络的聚类算法——网络入侵聚类
粒子羣优化算法的寻优算法——非线性函数极值寻优
遗传算法优化计算——建模自变量降维
基于灰色神经网络的预测算法研究——订单需求预测
基于Kohonen网络的聚类算法——网络入侵聚类
神经网络GUI的实现——基于GUI的神经网络拟合、模式识别、聚类
其三：神经网络的好处， 这里主要介绍了神经网路的优点
An ANN has several advantages but one of the most recognized of these is the fact that it can actually learn from observing data sets. In this way, ANN is used as a random function approximation tool. These types of tools help estimate the most cost-effective and ideal methods for arriving at solutions while defining computing functions or distributions. ANN takes data samples rather than entire data sets to arrive at solutions, which saves both time and money. ANNs are considered fairly simple mathematical models to enhance existing data analysis technologies.
ANNs have three layers that are interconnected. The first layer consists of input neurons. Those neurons send data on to the second layer, which in turn sends the output neurons to the third layer.
Training an artificial neural network involves choosing from allowed models for which there are several associated algorithms.
具体的原理 这个还是需要简单的介绍的，深入的话就不用了。
转载于次博客：
http://www.cnblogs.com/heaad/archive/2011/03/07/1976443.html
