人工智能，机器学习，强化学习傻傻分不清？

机器学习

---

近十年来人工智能越来越热门了，在我们的日常学习中，我们经常听到一大堆专有名词，像人工智能，机器学习，监督学习，非监督学习，深度学习，强化学习这些，那它们之间存在什么样的关系呢？

通过上图，我们可以看到其实都是学习，那么什么是学习？

学习的整个过程应该包含输入，处理，输出，反思。比如说，读书，思考，做笔记，应用到实际，再反思。

学：输入。习：输出实践。

我们所看到的机器学习，其实就是让机器去学习，当然我这里说的是一句废话。

简单来说，就是给我们机器输入一些数据，机器通过某种方式对数据进行运算，然后输出结果，根据这个结果就可以解决预测二和分类等问题。

为什么要学习

---

人类要生存， 每时每刻遇到的问题和发生的事件，都是不确定的未知的。 无法提前给出所有问题的解决办法， 我们需要学习出一种解决问题的模型或者说是思路，套用这个思路就可以解决未知的问题。

下面我们来举个栗子吧！ 每天我都想多睡一会， 所以我想预测小车到达小区门口的时间。

通过旧的问题和答案, 学习出来的规律. 应用规律去解决新的问题,得到新的预测。

我们预测校车到达时间, 7:30出发,从A—>B, 预测到达B地的时间. 第一次乘车, 我们预测可能不太准, 但是随着乘车经验的增加, 我们对这条线路越来越书序, 预测就会越来越准确。

机器学习

---

让机器具有自我学习的能力，程序的执行结果跟机器获取的数据量有关，增加新的输入，可以生成新的模型，最终程序执行的结果也就会发生变化，就像我们人只要不停的接受新的知识，我们就会对事物有新的认知。

机器学习实际上包含很多熟悉方法，会涉及到统计学，概率论，信息论等知识。利用已知的数据，创建一种模型，最终利用这种模型进行相应的预测。

机器学习：用大量数据进行训练，获取到一个数据模型，预测就是应用训练的模型，来解决一个未知的问题。

学习方法

---

那么我们如何去学习机器学习呢？

我们应该尝试去理解原理， 通过简单的输入与输出， 理解数学背后的原理， 我们是为了解决实际问题，才使用数学的，我们应当避免抽象数学以及理论数学。

对于数学公式， 用实际案例去理解计算过程，不畏惧算法，不畏惧论文，不对公式进行数学证明， 靠编写程序直接盐城。

机器学习的步骤：

1. 确定与问题相关的数据**(明确输入)**
2. 收集与问题相关的数据**(数据准备，学)**
3. 分析预测结果的类型**(分类，回归，是预测天气，还是判断是或否)**
4. 根据预测结果的类型，选择合适的算法**(套路)**，找到输入和输出之间的关系
5. 用这个算法去解决新的问题**(习)**

市面上很多机器学习教程都是从第3步开始的，实际开发中1，2俩步同样是非常重要的。

理解常用术语

---

feature和label

---

feature是特征是自变量。label是标签的意思，是因变量

用我们最熟悉的直线方程y = mx + b来解释的话，其中x是特征，它是自变量，是函数的输入，y是因变量，是输出的结果。

feature：自变量，输入

label：因变量，输出

f(feature) = label <===> f(x) = y

举个栗子吧：f(海啸等级) = 经济损失

俩大问题

---

机器学习解决的是两大类问题，一个是分类问题，另一个是回归。

分类问题：classification，数据结果往往是离散的。

• 根据学习努力情况，判断是否通过考试。
• 根据email内容，判断是否为垃圾邮件。

回归问题：regression，数据往往是连续的。

• 根据车的品牌，车龄，型号，预测车的价值。
• 根据每天的卡路里以及运动量，预测一周后的体重。
• 基于树的直径，预测树的年龄。

注意事项

---

1. 输入输出，就是自变量和因变量，对应的faeature和label。
2. 数据集必须是规范的，格式统一的，方便计算机处理。
3. 分类的问题答案有限的，可以理解成选择题和判断题，回归的问题，答案不能用简单的分类来描述。
4. 确定feature和label之间的关系，有无数种的算法，每种算法都有自己的优缺点。
5. 根据预测的情况，我们可能需要重新调整算法和生成的模型。