机器学习概述总结

◆ 人工智能三大概念 人工智能（AI）、机器学习（ML）和深度学习（DL）

目录

◆ 人工智能三大概念 人工智能（AI）、机器学习（ML）和深度学习（DL）

◆ 机器学习的应用领域和发展史

◆ 机器学习常用术语 样本、特征、标签、训练集和测试集

1. 人工智能（AI）：人工智能是一门研究如何使计算机能够模拟、理解和执行人类智能任务的学科。它的目标是让计算机具备类似于人类的智能水平，可以进行推理、学习、感知和决策。

      2.机器学习：机器学习是人工智能的一个重要分支，它是让计算机通过从数据中学习和提取模式，自动改进执行特定任务的能力。在传统编程中，程序员需要明确指定计算机应该如何执行任务，而在机器学习中，计算机通过学习数据的规律和特征自主地进行任务执行，这种方式使得计算机在面对新的情况时也能做出合理的决策

      3.深度学习：深度学习是机器学习的一种方法，它是通过构建和训练深层神经网络来实现学习和特征提取的过程。这些深层神经网络由多个神经元层组成，允许计算机通过层次化的方式提取和学习数据中的复杂特征。深度学习在图像识别、自然语言处理、语音识别等领域取得了显著的成就，并且在人工智能的快速发展中起到了重要的推动作用

    4 AI、ML、DL三者之间的关系 • 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发展而来

◆ 机器学习的应用领域和发展史

机器学习的应用领域

一·数据挖掘

　　数据挖掘主要是应用于大数据领域，利用机器学习的模型来挖掘数据中的潜在价值。发现数据之间的关系。比如根据房价的变化预测房价，根据天气信息预测天气等。会应用经典的回归类问题。

　　传统的监督学习，或者非监督学习，或者与深度学习相结合的方式。

二·计算机视觉

　　让机器像人一样看世界，看到图像，视频等媒体。会把图像进行识别，分类。图中的是动物，还是人，还是其他的物体。这些案例也会应用到深度学习。

三·自然语言处理

　　让机器像人一样理解语言，理解人写的文字等的含义。并作出一定的反应。比如，新闻，文章，机器可以识别并为他们分类。或者自动生成文本摘要。

四·机器人决策

　　让机器像人一样拥有决策的能力，比如自动驾驶。机器人的控制等，都可以用到机器学习的算法。

◆ 机器学习常用术语 样本、特征、标签、训练集和测试集

机器学习常用术语样本，特征，标签，训练集和测试集

*  特征是输入变量，即简单线性回归中的 x变量。(如芒果的大小，颜色，产地，品牌等)

 简单的机器学习项目可能会使用单个特征，而比较复杂的机器学习项目可能会使用数百万个特征，按如下方式指定：x1,x2,…xn

*  标签是我们要预测的事物，即简单线性回归中的 y 变量。标签可以是连续值(如芒果的甜度，水分)，可以是离散值（芒果的价格，或好坏）

*  样本/观测是指数据的特定实例。（样本包括训练集和测试集）

    训练集和测试集

我们将样本分为以下两类：（我们采用粗体 x 表示它是一个矢量。）
*  有标签样本 有标签样本同时包含特征和标签 labeled examples: {features, label}: (x, y)

*  无标签样本 无标签样本包含特征，但不包含标签。即：unlabeled examples: {features, ?}: (x, ?)