PyTorch实战（一）

深度学习与pytorch

人工智能（artificial intelligence,AI）
机器学习（machine learning)
深度学习（deep learning)

一、机器学习

在人工智能领域，机器学习 是实现人工智能的一个分支，也是人工智能领域发展最快的一个分支。简单地说，机器学习是计算机程序如何随着经验的积累而自动提高性能，使系统自我完善的过程。机器学习在近30多年已发展成为一门多领域交叉的学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等，而且其应用范围非常广泛，包含自然语言处理、计算机视觉、欺诈检测、人脸识别 、垃圾邮件过滤、医学诊断等。根据机器学习应用场景和学习方式的不同，可以简单地分为三类：无监督学习（unsupervised learning)、半监督学习（semi-supervised learning)和有监督学习(supervised learning).

无监督学习

无监督学习和其他两种学习方法的主要区别在于无监督学习不需要提前知道数据集的类别标签。无监督学习算法使用的场景通常为聚类和降维，如使用K-均值聚类、系统聚类、密度聚类等算法进行数据聚类，使用主成分分析、流形降维等算法减少数据的特征数量。

半监督学习
半监督学习是一种介于有监督学习和无监督学习之间的学习算法，半监督学习的特点就是利用极少的有标签数据和大量的无标签数据进行学习，通过学习得到的经验对无标签的测试数据进行预测。

有监督学习

有监督学习的主要特性是使用大量有标签的训练数据来建立模型，以预测新的未知标签数据。用来指导模型建立的标签可以是类别数据、连续数据等。相应的，如果标签是可以分类的，则称这样的有监督学习为分类，如果标签是连续的数据，则称其为回归。