1.人工智能概述

1.1 机器学习、人工智能与深度学习

机器学习和人工智能，深度学习的关系

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。

• 机器学习是人工智能的一个实现途径
• 深度学习是机器学习的一个方法发展而来
• 深度学习是机器学习的一种技术手段，而机器学习是人工智能的一个重要组成部分。在实际应用中，深度学习带来了许多强大的AI模型和系统，使得计算机能够在复杂和大规模的数据中进行高效的学习和推理，从而实现了许多前所未有的人工智能应用。

达特茅斯会议-人工智能的起点

       1956年8月，在美国汉诺斯小镇宁静的达特茅斯学院中，约翰·麦卡锡（John McCarthy），马文·闵斯基（Marvin Minsky，人工智能与认知学专家），克劳德·香农（Claude Shannon，信息论的创始人），艾伦·纽厄尔（Allen Newell，计算机科学家），赫伯特·西蒙（Herbert Simon，诺贝尔经济学奖得主）等科学家正聚在一起，讨论着一个完全不食人间烟火的主题：用机器来模仿人类学习以及其他方面的智能。会议足足开了两个月的时间，虽然大家没有达成普遍的共识，但是却为会议讨论的内容起了一个名字：人工智能。因此，1956年也就成为了人工智能元年。

1.2 机器学习、深度学习能做些什么

       机器学习的应用场景非常多，可以说渗透到了各个行业领域当中。医疗、航空、教育、物流、电商等等领域的各种场景。

• 用在挖掘、预测领域：

• 应用场景：店铺销量预测、量化投资、广告推荐、企业客户分类、SQL语句安全检测分类…

• 用在图像领域：

• 应用场景：街道交通标志检测、人脸识别等等
  

• 用在自然语言处理领域：

• 应用场景：文本分类、情感分析、自动聊天、文本检测等等
  

2.什么是机器学习

2.1 定义

 机器学习（Machine Learning）是一种人工智能（AI）的分支，它是通过计算机系统从数据中学习和改进执行特定任务的能力，而无需明确编程指令。换句话说，机器学习使得计算机可以通过数据的模式和规律，自动提取特征和知识，并在未来面对新的数据时做出合理的决策。

       传统的程序设计中，程序员需要编写明确的规则和算法，以指导计算机完成特定任务。但在机器学习中，我们提供给计算机的是一组训练数据，包含输入和对应的输出结果。计算机通过对这些数据进行学习，找到数据中的模式和规律，从而能够在未来的数据中进行预测或分类。

机器学习任务可以分为以下几类：

1. 监督学习（Supervised Learning）：在监督学习中，我们向计算机提供带有标签的训练数据，也就是输入数据和对应的正确输出。计算机通过学习这些数据来建立输入和输出之间的映射关系，从而能够预测未标记数据的输出。
2. 无监督学习（Unsupervised Learning）：在无监督学习中，我们向计算机提供没有标签的训练数据，计算机需要自主地发现数据中的结构和模式。无监督学习常用于聚类、降维和异常检测等任务。
3. 强化学习（Reinforcement Learning）：强化学习是一种通过尝试和错误来学习最佳决策策略的学习方法。在强化学习中，计算机代理根据环境的反馈（奖励或惩罚）不断调整策略，以最大化累积的奖励。

2.2 解释

• 我们人从大量的日常经验中归纳规律，当面临新的问题的时候，就可以利用以往总结的规律去分析现实状况，采取最佳策略。
• 从数据（大量的猫和狗的图片）中自动分析获得模型（辨别猫和狗的规律），从而使机器拥有识别猫和狗的能力。基于tensorflow深度学习的猫狗分类识别
• 从数据（房屋的各种信息）中自动分析获得模型（判断房屋价格的规律），从而使机器拥有预测房屋价格的能力。基于随机森林模型对北京房价进行预测

从历史数据当中获得规律？这些历史数据是怎么的格式？

2.3 数据集构成

• 结构：特征值+目标值

注：

• 对于每一行数据我们可以称之为样本。
• 有些数据集可以没有目标值：

3.机器学习算法分类

• 特征值：猫/狗的图片；目标值：猫/狗-类别

• 分类问题

• 特征值：房屋的各个属性信息；目标值：房屋价格-连续型数据

• 回归问题

• 特征值：人物的各个属性信息；目标值：无

• 无监督学习

• 监督学习(supervised learning)（预测）

• 定义：输入数据是由输入特征值和目标值所组成。函数的输出可以是一个连续的值(称为回归），或是输出是有限个离散值（称作分类）。
• 分类 k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络
• 回归 线性回归、岭回归

• 无监督学习(unsupervised learning)

• 定义：输入数据是由输入特征值所组成。
• 聚类 k-means

4.机器学习开发流程

流程图：

5.学习框架

需明确几点问题：

（1）算法是核心，数据与计算是基础

（2）找准定位

大部分复杂模型的算法设计都是算法工程师在做，而我们

• 分析很多的数据
• 分析具体的业务
• 应用常见的算法
• 特征工程、调参数、优化
• 我们应该怎么做？
  
• 学会分析问题，使用机器学习算法的目的，想要算法完成何种任务
  
• 掌握算法基本思想，学会对问题用相应的算法解决
• 学会利用库或者框架解决问题

当前重要的是掌握一些机器学习算法等技巧，从某个业务领域切入解决问题。

机器学习库与框架：