Registry design:
I feel a little bored when I design this registry,so T design a simple website all use HTML.
Below is the website's appearance .
The HTML code is below there:
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>人工智能</title>
</head>
<body bgcolor="#242424">
<center>
<br><h2><font color="#FFEFDB">人工智能学习大致介绍（简略版本）</font> </h2><br>
<img src="F:/C language projects/MyProjects/firstPagehtml(AI explain)/headgif.gif" width="1200px" height="300px" />
</center>
<div>
<font color="#FFFFF0">
<div>
<blockquote><blockquote><blockquote><blockquote>
<div>
<font color="#D1EEEE">
<fieldset>
<legend><h3>阅读本文前，请先填写该问卷：</h3></legend>
<form action="">
登录账号:<input type="text"><br>
登录密码:<input type="password"><br><br>
你目前的学历：<input type="radio" name="education background" value="本科生">本科生
<input type="radio" name="education background" value="研究生">研究生
<input type="radio" name="education background" value="博士生">博士生
<input type="radio" name="education background" value="其他">其他
<br><br>你学习人工智能相关技术的时长：<input type="radio" name="studytime" value="一年及一年以内">一年及一年以内
<input type="radio" name="studytime" value="两年左右">两年左右
<input type="radio" name="studytime" value="三年左右">三年左右
<input type="radio" name="studytime" value="四年及四年以上">四年及四年以上
<br><br>你学习人工智能应用的生活环境(多选)：<input type="checkbox" name="using site" value="学业任务">学业任务
<input type="checkbox" name="using site" value="教学工作">教学工作
<input type="checkbox" name="using site" value="科研研究">科研研究
<input type="checkbox" name="using site" value="应用开发">应用开发
<input type="checkbox" name="using site" value="检测监控">检测监控
<input type="checkbox" name="using site" value="信息处理">信息处理
<input type="checkbox" name="using site" value="其他">其他<br><br>
<font color="#EE7942">填写结束后请点击下方“填写完毕”键确认。</font>
<br><br><input type="button" value="填写完毕">
</form>
</fieldset>
</font>
</div>
<h3>实现人工智能的方法 ———— 机器学习：</h3>
<h4>
<blockquote> 机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。<br> 它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。</blockquote>
</h4>
<img src="F:/C language projects/MyProjects/firstPagehtml(AI explain)/machine learning.jpg" width="400px" height="150px" />
<h3>实现机器学习的技术 ———— 深度学习：</h3>
<h4>
<blockquote> 深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。<br> 深度学习的概念由Hinton等人于2006年提出。基于深度置信网络(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。<br> 深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务（例如，人脸识别或面部表情识别）。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。
深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。<br> 同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分．不同的学习框架下建立的学习模型很是不同．例如，卷积神经网络（Convolutional neural networks，简称CNNs）就是一种深度的监督学习下的机器学习模型，而深度置信网（Deep Belief Nets，简称DBNs）就是一种无监督学习下的机器学习模型。</blockquote>
</h4>
<img src="F:/C language projects/MyProjects/firstPagehtml(AI explain)/deep learning.jpg" width="400px" height="150px" />
<h3>人工智能13个细分领域：</h3>
<h4>
<font color="#FF4040">1 .计算机视觉／图像识别（应用）</font>
<blockquote>这一类别下的企业主要从属于各行业的垂直细分行业，他们利用图像处理技术应用到各种具体的实际应用中，例如面部识别、图片识别、图像检索等等。在Venture Scanner统计的176家企业中，这一类别的融资金额达6．44亿美元。</blockquote>
<font color="#FF4040">2 .计算机视觉／图像识别（平台）</font>
<blockquote>这一类型的企业主要提供分析图像采集和识别相关信息的底层支持技术解决方案，例如图像搜索平台的搭建等等。在Venture Scanner统计的166家企业中，这一类别的融资金额达7．99亿美元。</blockquote>
<font color="#FF4040">3 .深度学习／机器学习（应用）</font>
<blockquote>这一类型的企业主要通过利用特定的学习算法，对已有的信息进行学习和操作以供某一特定领域使用。在Venture Scanner统计的166家企业中，这一类别的融资金额达36亿美元。</blockquote>
<font color="#FF4040">4 .深度学习／机器学习（平台）</font>
<blockquote>这一类型的企业主要专注于算法的开发研究，旨在实现通过已有数据进行学习，包括搭建用于预测用的数据模型、分析行为数据等等。在Venture Scanner统计的180家企业中，这一类别的融资金额达10亿美元。</blockquote>
<font color="#FF4040">5 .自然语言处理</font>
<blockquote>这一类型的公司研发和搭建的算法主要用于处理人类语言输入，并将其转化为多种其他的表现形式，例如语音与文字的双向转换等等。在Venture Scanner统计的232家企业中，这一类别的融资金额达11亿美元。</blockquote>
<font color="#FF4040">6 .语音识别</font>
<blockquote>这一类型的公司研发能够处理人类语音并准确识别其含义的技术产品，例如通过接收语音指令实现要求的相关操作等。在Venture Scanner统计的120家企业中，这一类别的融资金额达5．62亿美元。</blockquote>
<font color="#FF4040">7 .智能机器人</font>
<blockquote>这一类型的公司主要研发能够利用经验学习并可以根据周围环境变化进行自主活动的机器人，例如家用机器人、销售机器人等等。在Venture Capital统计的103家企业中，这一类别的融资金额达11亿美元。</blockquote>
<font color="#FF4040">8 .虚拟个人助手</font>
<blockquote>这一类型的公司主要研发能够基于用户指令完成日常任务与服务的助理软件，例如个人助理APP和网络客服等等，帮助企业管理产品售后服务或负责管理私人日程安排等。在Venture Capital统计的130家企业中，这一类别的融资金额达5．7亿美元。</blockquote>
<font color="#FF4040">9 .手势控制</font>
<blockquote>这一类型的公司主要研发可以让用户通过手势与计算机交互的技术，例如让用户通过肢体动作控制游戏角色或者其他应用产品。在Venture Capital统计的55家企业中，这一类别的融资金额达6．3亿美元。</blockquote>
<font color="#FF4040">10.推荐引擎和协助过滤算法</font>
<blockquote>这一类型的公司主要研发能够预测用户对电影、餐厅等偏好并依此做出个性化推荐的技术。在Venture Capital统计的86家企业中，这一类别的融资金额达1．47亿美元。</blockquote>
<font color="#FF4040">11.情景感知计算</font>
<blockquote>这一类型的公司主要研发能够自动感知周围环境（位置、方向、光度、温度等）并基于感知到的信息进行自身调整的软件。在Venture Capital统计的33家企业中，这一类别的融资金额达1．31亿美元。</blockquote>
<font color="#FF4040">12.视频内容自动识别</font>
<blockquote>这一类型的公司主要研发可将视频内容样本与源内容文件进行比较识别的技术，可以应用于识别用户上传视频与版权视频文件比较以检测是否侵权。在Venture Capital统计的20家企业中，这一类别的融资金额达0．82亿美元。</blockquote>
<font color="#FF4040">13.语音翻译</font>
<blockquote>这一类型的公司主要研发可以识别人类语音并实时从一种语言翻译至另一种语言的技术，如视频谈话、网络研讨会或者网络直播的实时翻译。在Venture Capital统计的19家企业中，这一类别的融资金额达0．34亿美元。</blockquote>
</h4>
</blockquote></blockquote></blockquote></blockquote>
</div>
</font>
</div>
</body>
</html>