人工智能，深度学习和机器学习的关系

对于这三者而言，这三者的目标都是为了给赋予人的智能，让机器能够像人一样思考问题并且做出决策。

 

机器学习是人工智能实现的一种重要途径，让机器使用算法来解析数据，学习数据特征并且进行归纳判断。

深度学习是机器学习的一种方法，采用神经网络来学习数据特征并且进行判断，属于机器学习解决图像，语音和文本等领域的一个重要分支。

 

 

机器学习定义与方向：
通过技术手段，利用已有的开发可以对新数据进行预测的模型，主要研究能产生模型的算法。

方向

划分方式：基于学习方式（是否需要数据标注）或者学习策略（基于经典数学原理还是模拟人脑感知进行）的方式

 

机器学习方式：
有监督学习：输入数据（有明确的标识的数据），将预测结果与训练数据的结果进行比较，不断调整预测模型，直到模型的预测结果到达一个预期的准确率。（应用场景：分类，回归）
无监督学习：输入无标识的数据，基于数据本身去识别变量内在的模式和特征。（应用场景：关联分析，聚类）
强化学习：不用输入数据，通过接受环境对动作的奖励来获取学习信息。（机器人控制，计算机视觉，自然语言处理）

学习策略划分：
传统机器学习：基于统计学，概率，线性代数等数学原理，通过分析输入数据的模式，进行判断与预测。

深度学习：模拟人类大脑的感知与组织方式的工作方式，通过人工神经网络构建，分析输入数据，进行判断与预测。

分类和回归的概念：
分类是将不同的类别进行分开，而回归则是找到一个空间，使得数据尽可能的落在空间上。

分类和回归的区别：
输出不同和目的不同。分类目的寻找决策边界，回归寻找最优拟合。
分类输出类别，输出为离散值，分类输出定性值。
回归输出预测值，回归输出连续值，回归输出定量值。

两个重要函数：优化函数和损失函数

损失函数
定义：用来估量模型的预测值与真实值的不一致程度，是一个非负实值函数。
特点：值越小，说明模型的预测值与真实值越接近。不同算法可能使用的损失函数不同。

优化函数：
通过调节参数使误差函数值变小。常见算法：批量梯度下降，小批量梯度下降，随机梯度下降，牛顿法，动量优化法等

优化函数执行过程：
梯度下降为例：
球要运动到最低点需知：
所处位置 – 损失值
移动方向 – 梯度方向
移动速度 – 学习率

 

 

评价指标：
指标越好，模型越好