1.1 初識人工智能

1.1.0 abstract

• 聲明：本文只爲我閒暇時候學習所做筆記，僅供我無聊時複習所用，若文中有錯，誤導了讀者，敬請諒解！！！

1.1.1 人工智能與機器學習的關係

1.1.1.1 什麼是人工智能

1.1.1.2 限制領域AI和通用領域AI

1.1.1.3 什麼是機器學習

1.1.1.4 從數據中學出規律

1.1.1.5 什麼是深度學習

[外鏈圖片轉存失敗(img-pUtcydC7-1569209662736)(https://cdn.nlark.com/yuque/0/2019/jpeg/501351/1569181345655-a7202d72-dff7-403c-a93d-4f177e8887f4.jpeg?x-oss-process=image/resize,h_450)]

1.1.1.6 人工智能、機器學習和深度學習之間的關係

1.1.2 監督學習和無監督學習

• 監督學習

監督學習的樣本數據D，包含了特徵向量X,和對應的標籤y，監督學習的任務就是通過對已有的已經標註好特徵和標籤的樣本數據D的學習，找到一個預測函數_f_來實現特徵向量X到y的映射關係，通多_f_來預測未標註樣本的標籤y。

• 監督學習案例：

監督學習的常見場景，人臉識別，語音識別，主題分類，機器翻譯，目標檢測，金融風控，情感分析，自動駕駛等。

• 無監督學習

無監督的樣本數據D中的數據一般每個樣本只有特徵向量，沒有特徵所對應的標籤，無監督學習主要是研究樣本特徵之間的規律，比如聚類等。

• 無監督學習案例：
  
  

1.1.3 常見的機器學習算法

1.1.4 迴歸問題與分類問題

• 迴歸問題的輸出值一般是連續性的數值
• 分類問題的輸出值一般是離散的值
• 簡單來講，迴歸問題就是用來預測某一個具體的數值，分類問題則預測某一個具體的類別。兩個都屬於監督學習的範疇。
  

1.1.5 樣本，特徵和標籤

如表所示，所有的數據行構成了整個數據集合：
表中的前面四列爲樣本特徵：
表中的最後一列爲樣本標籤：


表中的一整行數據代表一個樣本：

1.1.6 訓練數據和測試數據

對於用於做實驗的數據集，一般會把整個數據集分爲訓練數據集和測試數據集，訓練數據集用於訓練特徵向量X到標籤y上的函數_f,_當訓練結束後通常會使用訓練得到的函數_f 對_測試數據集進行從特徵向量X到預測標籤y’的預測，通過對比測試數據集上的的樣本的真實標籤y與_f _預測得到的預測標籤y’的差值來判斷預測函數_f _的好壞。

1.1.7 機器學習建模流程

• 數據集：機器學習的基礎，一切研究的基礎
• 數據預處理：數據清洗，去掉缺失數據，數據填補等
• 特徵工程：將數據轉換成爲數值類型的數據來表示，比如向量，矩陣，張量，來直接作爲模型的輸入
• 建模：機器學習模型的嘗試，組合，調參
• 驗證：通過測試數據集，對模型的驗證