机器学习---基本信息

人工智能与机器学习
（一）人工智能

1. 人工智能的定义
   只要能让计算机模拟人类行为的技术，就称作是人工智能
   

在我们生活中 ，有很多对未来世界的假设，有很多关于人工智能的电影

2. 人工智能的分类领域
1） 模式识别

2） 图像识别

图像识别应用的领域：
自动驾驶——> 深度神经网络，图像识别，模式识别
图像识别/图像处理
工业自动化 ——> 机器学习/图像识别
光学影像 ——> 深度学习/模式识别

3） 语音识别

语音识别应用领域：
个人助手——> 深度学习
自动话务员——> 深度识别/模式识别
声纹识别 ——> 深度学习/LSTM

4） 自然语言处理

NLP应用领域：
（大）数据分析——> 大数据（深度学习）
文本分析——> 模式识别/NLP/LSMT

人工智能与机器学习
机器学习是现阶段人工智能的核心技术，是通过统计学原理，来对数据进行分析和建模
模式识别 = 机器学习
数据挖掘 = 机器学习 + 数据库
统计学习近似等于机器学习
机器视觉 = 图像处理 + 机器学习
语音识别 = 语言处理 + 机器学习
自然语言处理 = 文本处理 + 机器学习

（二）机器学习

1. 机器学习的基本方法 -------数据训练

2. 机器学习的基本思想： 通过大量的数据学习，找到一定规律（这个规律称作是模型），当有新的数据出现时，再将新的数据带入模型
   优点：
   1） 速度快
   2） 高度抽象，简单易学
   缺点：
   1） 极度依赖数据
   2） 模型的好坏至关重要
   现阶段的主流基于统计的人工智能算法，是通过大量的案例，靠对数据的特征进行归类，来实现识别的效果。这个做法称作是 ”罗素鸡“
   那么，如何克服呢？
   -----采用深度学习和强化学习
   普通机器学习： 一个公式， 一层推导，比较直接
   深度学习与普通的机器学习的区别： 通过更高的复杂度，加强了让机器自我归纳总结的能力，并且通过规则的设计，让算法的扩展性更大
   强化学习与普通的机器学习区别： 强化学习模拟人的认知过程，加入了评价系统

3. 机器学习的基本步骤

机器学习系统的分类：

1. 根据训练期间接受的 监督数量和监督类型分为： 监督式，无监督式，半监督式学习和强化学习

1）监督式： 提供给算法的包含所需解决方案的训练数据，称为标签或者标记
（监督式学习的算法： K-近邻算法，线性回归，逻辑回归，支持向量机，决策树和随机森林，神经网络）

2）无监督式学习： 无监督式学习的训练数据都是未经标记地的。系统会在没有老师的情况下进行学习。（无监督式学习算法: 聚类算法，K-平均算法，分层聚类分析，最大期望算法）

3）半监督式学习： 通常是大量未标记的数据和少量标记的数据。（大多数半监督式学习算法是无监督式和监督式算法的结合。 eg ： 深度信念网络）

4）强化学习： 强化学习的学习系统（在其语言境中称作是智能体）能够观察环境，做出选择，执行操作，并且获得回报（reward），或者是以负面回报的形式获得惩罚，所以它自己必须自行学习什么是最好的策略，从而随着时间推移获得最大的回报

2. 根据系统是否可以从传入的数据流中进行增量学习可以分为： 批量学习和在线学习

1）批量学习： 系统无法进行增量学习—— 必须要通过所有可用的数据进行训练。这需要大量的时间和计算资源。所以通常都是离线完成的。

2）在线学习： 可以循序渐进地给系统提供训练数据，逐步积累学习成果。这种提供数据的方式可以是单独的，也可以采用小批量（mini-batch）的小组数据进行训练。

3. 根据机器学习系统如何泛化可以分为：基于实例和基于模型的学习

1）基于实例的学习
系统先完全记住学习示例，然后通过某种相似度度量方式将其泛化到新的实例

2）基于模型的学习
系统先构建这些示例的模型，然后使用该模型进行预测