活动地址：CSDN21天学习挑战赛
前言
人工智能
人工智能：为机器赋予人的智能
机器学习
机器学习：一种实现人工智能的方法.
机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。
机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。
机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。
机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数进行预测的算法。
机器学习按照学习方式可以分为
- 监督学习
- 分类
- 回归
- 无监督学习
- 强化学习
通俗的来说，机器学习是一门讨论各式各样的适用于不同问题的函数形式，以及如何使用数据来有效的获取函数参数具体指的学科。
机器学习按算法的种类分类
机器学习主要有三大类：
- 分类
- 回归
- 聚类
分类
分类是一种基于一个或多个自变量确定因变量所属类别的技术。
分类的例子包括垃圾邮件检测、客户流失预测、情感分析、犬种检测等
回归
回归是用于估计两个变量之间关系的统计过程。具体而言，回归有两个重要组成部分：自变量和因变量的关系，以及不同自变量对因变量影响的强度。
回归算法的优势在于简单直接、训练速度快，而主要缺陷是要求严格的假设、需要处理异常值。
回归的例子包括房价预测、股价预测、身高-体重预测等。
常见回归算法主要分为以下七类：1. 线性回归 2. 逻辑回归 3. 多项式回归 4. 逐步回归 5. Lasso回归 6. 岭回归 7. ElasticNet回归
聚类
聚类是一种机器学习技术，它涉及到数据点的分组。给定一组数据点，我们可以使用聚类算法将每个数据点划分为一个特定的组。理论上，同一组中的数据点应该具有相似的属性和/或特征，而不同组中的数据点应该具有高度不同的属性和/或特征。聚类是一种无监督学习的方法，是许多领域中常用的统计数据分析技术。
监督学习、无监督学习和强化学习
监督学习
监督学习：给一组数据，这组数据，有输入和输出的正确答案。再通过其他输入得到一组新的输出。
应用场景：
- 房价预测
- 股价预测、身高-体重预测
无监督学习
无监督学习：就是给你一组数据，但是不知道数据的任何"正确答案"。在给算法输入一组数据后，算法会在这组数据中找出不同的结构。
应用场景：
- 管理集群，找出哪些机器倾向于协同合作，将这些机器放在一起，可以大大提高集群工作的效率。
- 用于社交网络的分析，知道哪些朋友用email联系的多，你的facebook的朋友等，知道了这些之后，我们可以自动分析出哪些是十分要好的朋友组，哪些是互相认识的朋友组。
- 许多公司拥有大量的客户信息数据库，给你一个客户数据集，你能否自动找出不同的市场分割，将客户细分到不同的细分市场中，从而有助于在不同的细分市场中进行更加有效的营销，我们有这些客户数据，但是我们不知道有哪些细分市场，而且对于数据集的某个客户，我们预先也不知道他们属于哪个细分市场，我们必须让算法自己去数据中发现这一切。
- 无监督学习也被用于天文数据分析。
强化学习
强化学习：强化学习的本质是解决做决定的问题，即自动进行决策，并且可以做连续决策。它主要包含四个元素，agent，环境状态，行动，奖励，强化学习的目标就是获得最多的累计奖励。agent是智能体，环境状态是当前环境的情况，行动是智能体在当前情况下可以采取的所有可能的行动，奖励就是环境的即时返回值，以评估智能体的上一个动作。
你一定看到过人工智能AlphaGO战胜了世界围棋冠军李世石的新闻，而人工智能AlphaGO就是使用了强化学习。
应用场景：
- 机器人、机械臂控制、视频游戏（CNN获取图像信息，提取特征信息等处理），无人驾驶等
- 文本序列预测，机器翻译等
机器学习模型
机器学习模型是一种算法的表达，它通过梳理海量数据来查找模式或进行预测。机器学习 (ML) 模型由数据助力，是人工智能的数学引擎。
例如，适用于计算机视觉的 ML 模型能够在实时视频中识别汽车和行人。适用于自然语言处理的 ML 模型则能够翻译单词和句子。
究其原理，机器学习模型是对象及其相互关系的数学表示。这些对象可以是任何东西，可以是任何社交网络帖子上的“赞”，也可以使是实验室实验中的分子。
深度学习
深度学习：一种实现机器学习的技术
机器学习同深度学习之间是有区别的，机器学习是指计算机的算法能够像人一样，从数据中找到信息，从而学习一些规律。虽然深度学习是机器学习的一种，但深度学习是利用深度的神经网络，将模型处理得更为复杂，从而使模型对数据的理解更加深入。
深度学习是机器学习中一种基于对数据进行表征学习的方法。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。
同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分。不同的学习框架下建立的学习模型很是不同。例如，卷积神经网络（Convolutional neural networks，简称CNNs）就是一种深度的监督学习下的机器学习模型，而深度置信网（Deep Belief Nets，简称DBNs）就是一种无监督学习下的机器学习模型。
浅层学习和深度学习
浅层学习：
在神经网络中含有一个隐层的就叫做多层感知机，也叫神经网络，这种模型就叫做浅层模型。在这种模型中，人们可以用强于人工规则的统计学习方法。20世纪90年代，各种各样的浅层机器学习模型被提出，比如，支持向量机，Boosting，最大熵法。
而在深度学习中，不止有一层隐藏层，所以在特征的选取、隐层的确定、单层训练、回归训练等方面都有很多理论和应用难题。
神经网络
神经网络：一种机器学习的算法
神经网络在设计的时候就是模仿人脑的处理方式，希望其可以按人类大脑的逻辑运行（尽管目前来说对人脑的研究仍不够透彻）。神经网络已经有很多年的历史，但现在基本很少听到了。
神经网络和深度神经网络
卷积神经网络
卷积神经网络CNN
CNN核心思想：
CNN模型限制参数了个数并挖掘了局部结构。主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。局部感受视野，权值共享以及时间或空间亚采样这三种思想结合起来，获得了某种程度的位移、尺度、形变不变性。通过“卷积核”作为中介。同一个卷积核在所有图像内是共享的，图像通过卷积操作后仍然保留原先的位置关系。
CNN实质：
CNN在本质上是一种输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已知的模式对卷积网络加以训练，网络就具有输入输出对之间的映射能力。
人工智能 机器学习 深度学习 神经网络 之间的关系
数据挖掘
数据分析
数据分析步骤如下：
- 获取数据，查看信息轮廓
- 数据清洗，特征提取
- 建立模型
- 模型训练
- 模型评估
- 预测数据
总结
参考链接：
