一定要认清技术的边界以及定义好问题的范围(scope)。举个例子，不要试图使用完全开放的对话系统来搭建机器人订餐系统，因为目前的对话技术还不足以支撑完全开放环境下的对话。
简答来讲，BI是一种分析的工具，也就是通过一些方式把数据更直观的展示给用户，辅助人去决策。另一方面，AI是通过数据帮助人做决策。所以从这个角度，可以把BI看作是辅助的决策的工具，AI则可以直接帮我们做决策。
机器学习： 机器学习是解决人工智能问题的最核心的技术。比如推荐系统、无人驾驶、人脸识别、竞技分析等应用都要依赖于机器学习技术。从数据中学习规律；
常见的监督算法和无监督算法：
如何区别回归和分类： 主要是看预测值的形式；
区分标签样本和特征：
标签其实就是可能的预测值，特征即为每一列，也就是属性，样本即为每一行，也就是一条数据
机器学习建模流程：
第一步：数据，至关重要
预处理： 数据的去噪等
特征工程： 提取出有价值信息，不同应用场景用到的特征也不一样，50%的精力需要花费在特咸亨挑选
建模：特征结果的数据会作为建模的输入，建模可能包含：调参，改造
验证： 对模型进行验证，如果结果不好可能需要从其他步骤进行改进；
端到端的方法： 从数据预处理直接到建模，跳过特征工程步骤；
