【原材料准备：Python机器学习】关于深度学习介绍

1.1 关于人工智能、机器学习、深度学习

计算机在存储与运算能力方面相对于我们人类来讲是人类无法在一个数量级上相提并论的，比如计算机可以快速记忆海量数字并运算；但在某些领域比如语音识别、图像识别、自然语言处理等要通过计算机就很难解决了，但这是AI技术必须要解决的一个问题。

  为了让计算机能够更多地掌握开放环境下的知识，研究人员进行了很多的尝试，其中有一个比较有影响力的就是知识图库。

知识图库可以让计算机很好的掌握人工定义的知识，但建立知识图库一方面是需要耗费大量的人力物力，另一方面可以通过知识图库方式明确定义的知识是有限的，不是所有的知识都是可以明确定义成计算机可以理解的固定格式。这里面有很大一部分的是人类的经验。

比如你怎么判断你收到的这封邮件是垃圾邮件？这是我们在收到很多封垃圾邮件之后总结出来的经验。这个经验很难用固定的方式给表达出来，而且不同的人对处理垃圾邮件的判断也会不一样，如何让计算机可以跟人类一样从历史的经验中获取新的知识？这就是机器学习要解决的问题。

关于机器学习的定义，卡内基梅隆大学TomMichaelMitchell教授在1997年出版的书MachineLearning中对机器学习作了如下的定义，“如果一个程序可以在任务T上，随着经验E的增加，效果P也可以随之增加，则称这个程序可以从经验中学习。”

还是以垃圾邮件分类这个问题来解释，在垃圾邮件分类中，“一个程序”指需要用到的机器学习的算法，比如逻辑回归算法；“任务T”：区分垃圾邮件的任务；“经验E”：已经区分过是否为垃圾邮件的历史邮件，在监督式机器学习问题中，这也叫训练数据；“效果P”为机器学习算法在区分是否为垃圾邮件任务上的正确率。

简单一点理解，我这个算法在不断训练数据的喂养下能不能不断提升垃