自从计算机或机器的发明以来，它们执行各种任务的能力经历了指数级增长.人类已经在各种工作领域发展了计算机系统的力量，它们的速度越来越快，并且随着时间的推移缩小了规模.
计算机科学的一个分支，名为人工智能，追求创造计算机或机器像人类一样聪明.
根据人工智能之父John McCarthy所说，它是"制造智能机器的科学与工程，尤其是智能计算机程序".
人工智能是一种使计算机，计算机控制的机器人或软件智能思考的方法，以智能人类的思维方式.人工智能是通过研究人类大脑如何思考以及人类在尝试解决问题时如何学习，决定和工作，然后将本研究的结果作为开发智能软件和系统的基础来实现的.
在利用计算机系统的力量的同时，人类的好奇心使他怀疑，"一台机器能像人类那样思考和行为吗？"
因此，开发人工智能开始的目的是在我们发现的并且在人类中认为很高的机器中创建类似的智能.
因为我们我们知道AI追求创造像人类一样聪明的机器.我们研究AI的原因很多.原因如下:
在我们的日常生活中，我们处理的是大量的数据而且人脑无法跟踪这么多数据.这就是我们需要自动化事物的原因.为了实现自动化，我们需要学习AI，因为它可以从数据中学习，并且可以准确无误地完成重复任务.
系统应该自学，因为数据本身不断变化，并且必须不断更新从这些数据中获得的知识.我们可以使用AI来实现这个目的，因为启用AI的系统可以自学.
人工智能帮助神经网络可以更深入地分析数据.由于这种能力，AI可以根据实时情况思考和响应情况.
随着在深度神经网络的帮助下，AI可以实现极高的准确性. AI帮助医学领域从患者的MRI中诊断出癌症等疾病.
数据是使用自学习算法的系统的知识产权.我们需要AI以一种始终提供最佳结果的方式索引和组织数据.
使用AI，智能系统可以建成.我们需要理解智力的概念，以便我们的大脑可以像他们一样构建另一个智力系统.
一个人的能力系统来计算，推理，感知关系和类比，从经验中学习，存储和检索记忆中的信息，解决问题，理解复杂的想法，流利地使用自然语言，分类，概括和适应新情况.
正如美国发展心理学家霍华德加德纳所描述的那样，智能来自多重和减去;
| Sr.No | 情报与描述 | 示例 |
|---|---|---|
| 1 | 语言智能 说话，识别和使用音韵机制的能力(语音)，语法(语法)和语义(含义). | 讲述者，演说者 |
| 2 | 音乐智慧 能够创造，交流和理解声音，对音高，节奏的理解. | 音乐家，歌手，作曲家 |
| 3 | 逻辑 - 数学智能 在没有动作或对象的情况下使用和理解关系的能力.它也是理解复杂和抽象概念的能力. | 数学家，科学家 |
| 4 | 空间情报 能够在不参考物体的情况下感知视觉或空间信息，改变它并重新创建视觉图像，构建3D图像，以及移动和旋转它们. | 地图读者，宇航员，物理学家 |
| 5 | 身体运动智能 使用完整或部分身体的能力解决问题或时尚产品，控制精细和粗糙的运动技能，并操纵物体. | 玩家，舞者 |
| 6 | 个人内部情报 区分一个人的能力'自己的感受，意图和动机. | Gautam Buddhha |
| 7 | 人际关系智慧 识别和区分其他人的感受，信念和意图的能力. | 群众传播者，访问员 |
您可以说机器或系统在其中至少配备了一个或所有智能时是人为智能的.
情报是无形的.它由 :
推理
学习
解决问题
感知
语言智能
让我们简要介绍一下所有组件 :
这是一组过程，使我们能够为判断，决策和预测提供依据.大致有两种类型 :
| 归纳推理 | 演绎推理 |
|---|---|
| 它进行特定的观察以得出广泛的一般性陈述. | 它从一般性陈述开始，并检查达到特定陈述的可能性，逻辑结论. |
| 即使所有前提在陈述中都是真的，归纳推理也会导致结论为假. | 如果某类事物的某些事情是正确的，那么该类的所有成员也是如此. |
| 示例 : "Nita是一名老师.Nita很好学.因此，所有老师都很好学." | 示例 : "所有60岁以上的女性都是祖母.Shalini是65岁.因此，Shalini是祖母." |
人类，特定动物物种和启用AI的系统具有学习能力.学习分为以下几种;
通过听力和听力学习.例如，学生聆听录制的音频讲座.
通过记住一个人目睹或经历过的事件序列来学习.这是线性和有序的.
通过精确的肌肉运动来学习.例如，挑选对象，写作等.
通过观察和模仿他人来学习.例如，孩子试图通过模仿她的父母来学习.
它正在学习识别以前见过的刺激.例如，识别和分类对象和情境.
它涉及学习基于关系属性区分各种刺激，而不是比绝对属性.例如，在煮土豆时添加"少一点"的盐，上次加入咸味时加入一汤匙盐煮熟.
空间学习 : 它通过视觉刺激来学习，例如图像，颜色，地图等.例如，一个人可以在实际跟随道路之前记住路线图.
刺激 - 反应学习 : 当存在某种刺激时，它正在学习执行特定行为.例如，一只狗在听到门铃时抬起耳朵.
它是通过采取一些被已知或未知障碍阻挡的路径，从当前情况中感知并试图达到理想解决方案的过程.
解决问题还包括决策，这是从多个替代品中选择最合适的替代品以达到预期目标的过程.
这是获取，解释，选择和组织感官信息的过程.
感知假定感知.在人类中，感知由感觉器官辅助.在人工智能领域，感知机制将传感器获取的数据以有意义的方式组合在一起.
这是一个人的能力使用，理解，说话和写作口头和书面语言.这在人际交往中很重要.
人工智能是一个广阔的研究领域.这个研究领域有助于找到现实世界问题的解决方案.
现在让我们看看AI和负内的不同研究领域;
这是人工智能最受欢迎的领域之一.该领域的基本概念是使机器从数据中学习，因为人类可以从他/她的经验中学习.它包含可以对未知数据进行预测的学习模型.
这是另一个重要的研究领域，其中数学逻辑用于执行计算机程序.它包含执行模式匹配，语义分析等的规则和事实.
这个研究领域主要用于像国际象棋这样的游戏，井字棋.搜索算法在搜索整个搜索空间后给出了最优解.
这是一个高效计算系统网络的核心主题这是从生物神经网络的类比借鉴而来的. ANN可用于机器人，语音识别，语音处理等.
遗传算法有助于在更多的帮助下解决问题比一个程序.结果将基于选择最适合的.
这是我们可以代表事实的研究领域在某种程度上，机器可以理解的机器.表示知识的效率更高;更多的系统是智能的.
在本节中，我们将看到AI和minus支持的不同字段;
AI在国际象棋，扑克，井字游戏等战略游戏中起着至关重要的作用，机器可以想到大量的基于启发式知识的可能位置.
可以与理解人类自然语言的计算机进行交互.
有些应用程序集成了机器，软件和特殊信息，以传授推理和建议.它们为用户提供解释和建议.
这些系统理解，解释和理解计算机上的视觉输入.例如，
间谍飞机拍摄照片，用于计算空间信息或区域地图./p>
医生使用临床专家系统来诊断患者.
警方使用计算机软件可以通过法医艺术家制作的肖像来识别罪犯的面孔.
一些智能系统能够在人类与之对话的同时，通过句子及其含义来听取和理解语言.它可以处理不同的重音，俚语，背景噪音，寒冷引起的人体噪音变化等.
手写识别软件读取笔或用手写笔在屏幕上书写的文字.它可以识别字母的形状并将其转换为可编辑的文本.
机器人能够执行人类给出的任务.它们具有传感器，用于检测来自现实世界的物理数据，例如光，热，温度，运动，声音，碰撞和压力.他们拥有高效的处理器，多个传感器和巨大的内存，以展示智能.此外，他们能够从错误中吸取教训，并能适应新的环境.
认知建模基本上是计算机科学领域的研究领域，涉及研究和模拟人类的思维过程.人工智能的主要任务是让机器像人一样思考.人类思维过程最重要的特征是解决问题.这就是为什么或多或少的认知建模试图理解人类如何解决问题的原因.之后，该模型可用于各种AI应用，如机器学习，机器人，自然语言处理等.以下是人脑不同思维水平的图表 :
在本节中，我们将重点关注代理和环境以及这些对人工智能的帮助.
代理可以通过传感器感知其环境，并通过效应器对该环境采取行动.
人体具有与传感器平行的感觉器官，例如眼睛，耳朵，鼻子，舌头和皮肤，以及用于效应器的其他器官，例如手，腿，嘴.
机器人代理取代了传感器的摄像头和红外测距仪，以及用于效果器的各种电机和执行器.
软件代理已将位字符串编码为其程序和操作.
某些程序在完全人工环境中运行，仅限于键盘输入，数据库，计算机文件系统和屏幕上的字符输出.
相比之下，有些软件是agen ts(软件机器人或软机器人)存在于丰富，无限的软机器人域中.模拟器具有非常详细，复杂的环境.软件代理需要实时从一系列动作中进行选择.软件机器人旨在扫描客户的在线偏好，并向真实以及人工环境中的客户展示有趣的项目.
