深度学习：算法到实战笔记01——绪论

深度学习：算法到实战笔记01

什么是人工智能

人工智能：使一部机器像人一样进行感知、认知、决策、执行的人工程序或系统

人工智能发展阶段

目前正处于高速发展期

人工智能的三个层面

第一层面：计算智能 能存储会计算
第二层面：感知智能 能听会说、能看会认
第三层面：认知智能 概念、意识、观念都是认知智能的表现

人工智能>机器学习>深度学习

机器学习的定义

计算机系统能够利用经验提高自身的性质
机器学习本质是一个基于经验数据的函数估计问题
提取重要模式、趋势，并理解数据，即从数据中学习

机器学习：怎么学

模型

对要学习问题映射的假设（问题建模，确定假设空间）

策略

从假设空间中学习/选择最优模型的准则（确定目标函数）

算法

根据目标函数求解最优模型的具体计算方法（求解模型参数）

模型分类

数据标记

监督学习模型 半监督学习模型
无监督学习模型 强化学习模型

监督学习的样本具有标记（输出目标），从学习标记分界面（输入-输出的映射函数），适用于预测数据标记。

无监督学习的样本没有标记，从数据中学习模式，适用于描述数据。

半监督学习部分数据标记已知，是监督学习和无监督学习的混合

强化学习使用未标记的数据，但可以知道离目标越来越近还是越来越远（奖励反馈）

数据分布

参数模型

对数据分布进行假设。待求解的数据模式/映射可以用一组有限且固定数目的参数进行刻画。

有时候数据没有提供足够信息来事先假设分布、或者问题本身没有明显的分布特性。就可以使用非参数模型。

非参数模型

不对数据分布进行假设，数据的所有统计特性都来源于数据本身。

建模对象

生成模型

对输入X和输出Y的 联合分布P(X,Y) 建模

先从数据中学习联合概率分布P(X,Y)
然后利用贝叶斯公式求P(Y|X)=P(X,Y)/ΣP(X,Yi)

判别模型

对已知输入X条件下输出Y的 条件分布P(Y|X) 建模

直接学习P(Y|X)

传统机器学习：人工设计特征