[笔记]机器学习之前言介绍

前言

人工智能

人工智能：为机器赋予人的智能

机器学习

机器学习：一种实现人工智能的方法

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。

机器学习是人工智能的核心，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。

机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。

类型

机器学习主要有三大类：1）分类；2）回归；3）聚类。

分类

回归

聚类

监督学习和无监督学习

机器学习模型

什么是机器学习模型？

机器学习模型是一种算法的表达，它通过梳理海量数据来查找模式或进行预测。机器学习 (ML) 模型由数据助力，是人工智能的数学引擎。

例如，适用于计算机视觉的 ML 模型能够在实时视频中识别汽车和行人。适用于自然语言处理的 ML 模型则能够翻译单词和句子。

究其原理，机器学习模型是对象及其相互关系的数学表示。这些对象可以是任何东西，可以是任何社交网络帖子上的“赞”，也可以使是实验室实验中的分子。

深度学习

深度学习：一种实现机器学习的技术

机器学习同深度学习之间是有区别的，机器学习是指计算机的算法能够像人一样，从数据中找到信息，从而学习一些规律。虽然深度学习是机器学习的一种，但深度学习是利用深度的神经网络，将模型处理得更为复杂，从而使模型对数据的理解更加深入。

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。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。

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。

神经网络

神经网络：一种机器学习的算法

神经网络在设计的时候就是模仿人脑的处理方式，希望其可以按人类大脑的逻辑运行（尽管目前来说对人脑的研究仍不够透彻）。神经网络已经有很多年的历史，但现在基本很少听到了。

神经网络和深度神经网络

卷积神经网络

卷积神经网络CNN

CNN核心思想：
CNN模型限制参数了个数并挖掘了局部结构。主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。局部感受视野，权值共享以及时间或空间亚采样这三种思想结合起来，获得了某种程度的位移、尺度、形变不变性。通过“卷积核”作为中介。同一个卷积核在所有图像内是共享的，图像通过卷积操作后仍然保留原先的位置关系。

CNN实质：
CNN在本质上是一种输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已知的模式对卷积网络加以训练，网络就具有输入输出对之间的映射能力。

人工智能 机器学习 深度学习 神经网络 之间的关系

数据挖掘

数据分析

数据分析步骤如下：

• 获取数据，查看信息轮廓
• 数据清洗，特征提取
• 建立模型
• 模型训练
• 模型评估
• 预测数据

总结

参考链接：
一文看懂人工智能、机器学习、深度学习与神经网络之间的区别与关系