一定要認清技術的邊界以及定義好問題的範圍(scope)。舉個例子，不要試圖使用完全開放的對話系統來搭建機器人訂餐系統，因爲目前的對話技術還不足以支撐完全開放環境下的對話。
簡答來講，BI是一種分析的工具，也就是通過一些方式把數據更直觀的展示給用戶，輔助人去決策。另一方面，AI是通過數據幫助人做決策。所以從這個角度，可以把BI看作是輔助的決策的工具，AI則可以直接幫我們做決策。
機器學習： 機器學習是解決人工智能問題的最核心的技術。比如推薦系統、無人駕駛、人臉識別、競技分析等應用都要依賴於機器學習技術。從數據中學習規律；
常見的監督算法和無監督算法：
如何區別迴歸和分類： 主要是看預測值的形式；
區分標籤樣本和特徵：
標籤其實就是可能的預測值，特徵即爲每一列，也就是屬性，樣本即爲每一行，也就是一條數據
機器學習建模流程：
第一步：數據，至關重要
預處理： 數據的去噪等
特徵工程： 提取出有價值信息，不同應用場景用到的特徵也不一樣，50%的精力需要花費在特咸亨挑選
建模：特徵結果的數據會作爲建模的輸入，建模可能包含：調參，改造
驗證： 對模型進行驗證，如果結果不好可能需要從其他步驟進行改進；
端到端的方法： 從數據預處理直接到建模，跳過特徵工程步驟；
