# 绪论
人工智能 > 机器学习 > 深度学习
- 深度学习:1. 高度参数化 ==> 大数据,大应用场景 :好的表达
- 机器学习:1. 参数量较少,常为线性模型 ==> 相较于深度学习,参数量相对较少,表示能力较弱 2. 常会加非线性模型
- 人工智能:一个通识的概念
机器学习方法
![[7166846486759157986.png]]
## 机器学习/深度学习的分类
- 三要素:算法(大模型)、算力(大算力,%%被卡脖子%%)、海量数据(massive data,大数据)
1. 监督学习:有标签label data ,direct feedback,predict outcome/future **依靠标签**
2. 无监督学习:无标签no labels/targets(节省时间、人力成本),no feedback ,find hidden structure in data **依靠自身**%%基于相似度度量1. 通过数据结构化信息 2.概率密度函数估计%%
3. 强化学习(机器学习):decision process, reward system **依靠环境** ,learn series of actions
- agent:智能体/算法
- reward:来自环境%%不是人为指定好的%%,对于算法来说是监督信号/标签,其特点是
1. 智能体agent采取动作action,在环境environment中改变当前智能体agent的状态state,从而引起回报reward的变化,回报的结果reward返回智能体agent。
2. 目的:找到一组最优的action,得到最大的reward
3. 监督/无监督学习是及时配对,强化学习是延迟反馈reward
## 基本术语
1. 泛化能力:机器学习的目标是使得学到的模型能很好的适用于“新样本”,而不仅仅是训练数据集,我们称模型适用于新样本的能力为**泛化能力**(generalization)
## 应用
1. 搜索引擎:存储机器学习模型,把词条进行基于词的嵌入编码,得到编码向量,把此向量作为模型的输入,得到对应解码的输出。也就是得到的网页,根据相关辖进行排序。
2. 自动驾驶:
- 车载雷达/车载摄像头=>机器学习=>模型=>方向盘旋转、油门、刹车幅度
- 传感器 => 模型 => 离散的输出变量
3. ai算法例子
1. 多维时间序列异常检测%%缓解深度学习的过拟合问题%%
2. 集合的元表示方法研究%%缓解深度学习的过拟合问题%%
4. 深度学习:语音识别、计算机视觉