人工智能、机器学习、深度学习

1.人工智能、机器学习、深度学习的关系
人工智能就是用机器模拟人的意思和思维。
机器学习是人工智能的一种实现方法，是人工智能的子集。
深度学习就是深层次的神经网络，是机器学习的一种实现方法，是机器学习的一个子集。

2.机器学习简介
机器学习是人工智能的一个分支，它是实现人工智能的一个核心技术，即以机器学习为手段解决人工智能中的问题
机器学习的特点：机器学习是通过一些让计算机可以自动“学习”的算法并从数据中分析获得规律，然后利用规律对新样本进行预测。
机器学习的形式化的描述
对于某类任务T和性能P，如果一个计算机程序在T上以P衡量的性能随着经验E而自我完善，那么就成这个计算机程序在从经验E学习

3.机器学习的学习形式分类

（1）有监督学习（supervised learning）
有监督学习指的是实现需要准备好输入与正确输出（区分方法）相配套的训练数据，让计算机进行学习，一遍当它被输入某个数据时能够得到正确的输出（区分方法）
有监督机器学习的典型应用模式：

• 预测（针对连续数据）
  常见算法：线性回归、Gradient Boostin、AdaBoost、神经网络
• 分类（针对离散的数据）
  常见算法：逻辑回归、决策树、KNN、随机森林、支持向量机、朴素贝叶斯、神经网络
  （2）无监督学习（unsupervised learning）
  无监督学习的目的是让计算机自己去学习怎样做一些事情，所有数据只有特征而没有标记。
  无监督学习被运用于仅提供输入用数据、需要计算机自己找出数据内在结构的场合。其目的是让计算机从数据中抽取其中所包含的模式及规则。
  **无监督机器学习的典型应用模式：**聚类
  常见算法：K-means、关联规则抽取
  （3）半监督学习
  半监督学习处于监督学习和无监督学习的中间地带。对于半监督学习，其训练数据一部分有标记，另一部分没有标记，而没有标记数据的数量常常极大于有标记数据的数量。
  它的基本规律是：数据的分布必然不是完全随机的，通过结合有标记数据的局部特征，以及大量没标记数据的整体分布，可以得到比较好的分类结果。
  （4）强化学习（reinforcement learning,RL）
  强化学习是解决计算机从感知到决策控制的问题，从而实现通用人工智能。
  强化学习是目标导向的，从一张白纸的状态开始，经由许多个步骤来实现某一维度上的目标最大化。最简单的理解是在训练过程中，不断去尝试，错误就乘法，正确就奖励，由此训练得到的模型在各个状态环境中都最好。
  对强化学习来说，它虽然没有标记，但有一个延迟奖励与训练相关，通过学习过程中的激励函数获得某种从状态到行动的映射。强化学习强调如何基于环境而行动，以取得最大化的预期利益