机器学习概论

人工智能三大概念：
人工智能（AI）是研究合成与分析的一 个领域（仿智）使用计算机来模拟或代替人类
机器学习（ML）让计算机无需显式编程就能学习的研究领域
深度学习（DL）深度神经网络，大脑仿生，设计一层一层的设计神经元模拟万事万物
三者之间的关系：人工智能>机器学习>深度学习

• 人工智能、机器学习、深度学习三者可以被简单描述为嵌套关系

• 机器学习时实现人工智能的方法，深度学习时实现机器学习的方法

机器学习是实现人工智能的一种途径
深度学习是机器学习的一种方法
学习方式：
基于规律的学习：程序员根据经验利用手工的if-else进行预测
基于模型的学习：从数据中自动学出规律
基于模型的学习：比如房价预测
机器学习的应用领域：
图像识别，无人驾驶，智能翻译，医疗智能翻译，数据挖掘

图像识别与计算机视觉

图像识别和计算机视觉是另一个重要的机器学习应用领域，它使计算机能够理解和解释图像。深度学习模型如卷积神经网络（CNN）在图像分类、目标检测等任务中取得了突破性进展。以下是一个使用TensorFlow的简单图像分类示例：

. 医疗诊断与影像分析

机器学习在医疗领域有着广泛的应用，包括医疗图像分析、疾病预测、药物发现等。深度学习模型在医疗影像诊断中的表现引人注目。以下是一个使用PyTorch的医疗图像分类示例：

AI发展三要素：
数据，算法，算力三要素相互作用，是AI发展的基石

人工智能(AI)的快速发展依赖于三个核心要素：数据，算法，算力。这个观点已经得到了业界的高度认可。只有这三个要素同时满足了，才能加速人工智能的大发展。

人工智能发展史
1956年人工智能元年
2012年计算机视觉深度神经网络方法研究兴起，
2017年自然语言处理应用大幕拉开
2022年chatGPT的出现，引起AIGC的发展
机器学习常用术语：

1)拟合
形象地说，“拟合”就是把平面坐标系中一系列散落的点，用一条光滑的曲线连接起来，因此拟合也被称为“曲线拟合”。拟合的曲线一般用函数进行表示，但是由于拟合曲线会存在许多种连接方式，因此就会出现多种拟合函数。通过研究、比较确定一条最佳的“曲线”也是机器学习中一个重要的任务。如下图所示，展示一条拟合曲线（蓝色曲线）：

2) 过拟合
过拟合（overfitting）与是机器学习模型训练过程中经常遇到的问题，所谓过拟合，通俗来讲就是模型的泛化能力较差，也就是过拟合的模型在训练样本中表现优越，但是在验证数据以及测试数据集中表现不佳。

举一个简单的例子，比如你训练一个识别狗狗照片的模型，如果你只用金毛犬的照片训练，那么该模型就只吸纳了金毛狗的相关特征，此时让训练好的模型识别一只“泰迪犬”，那么结果可想而知，该模型会认为“泰迪”不是一条狗。如下图所示：
过拟合问题在机器学习中经常原道，主要是因为训练时样本过少，特征值过多导致的，后续还会详细介绍。

3) 欠拟合
欠拟合（underfitting）恰好与过拟合相反，它指的是“曲线”不能很好的“拟合”数据。在训练和测试阶段，欠拟合模型表现均较差，无法输出理想的预测结果。如下图所示：

造成欠拟合的主要原因是由于没有选择好合适的特征值，比如使用一次函数（y=kx+b）去拟合具有对数特征的散落点（y=log2x），示例图如下所示：

数据集划分：训练集用来训练模型、测试集用来测试评估模型。
机器学习算法分类：

有监督学习：有标签。目标值连续：回归；目标值回归：分类
无监督学习：无标签，根据样本的特征进行聚类
半监督学习：一半有标签，一半无标签
强化学习：通过构建四个要素：agent，环境状态，行动，奖励，
               agent根据环境状态进行行动获得最多的累计奖励。