本文共 1329 字，大约阅读时间需要 4 分钟。

目录

一、AI &机器学习 &深度学习

在刚开始接触机器学习这个概念的时候，自己对AI、机器学习和深度学习这三个概念一直有疑问，到底怎么一会机器学习，一会深度学习呢？到底是什么关系，然后就从网上百度出一些内容。

从上图可以看到，AI也就是人工智能包括了机器学习，而深度学习又是机器学习的一个子分支，然后又总结了下面这个图，更直观的展示了三者直接的关系：我们所说的机器学习只是人工智能的一个子领域，而机器学习又划为了监督学习、无监督学习等，深度学习只是机器学习的一个子分支，目前在语音、图形等领域取得了很好的效果。

下图分析了机器学习和深度学习的在一些纬度上的区别：

二、机器学习的概述

概念

机器学习就是寻找一种函数f(x)，这种函数能够预测、分类、生成等工作。计算机从数据中学习出规律和模式，以应用在新数据上做预测任务。

适合情况

当存在下面特征情况的时候，就可以使用机器学习：

（1）事物存在某种潜在规律（函数）

（2）某些问题难以通过普通编程来实现

（3）有大量数据可供使用

四种领域

（1）语音识别

输入一段语音信号，输出文字

（2）图像识别

输入图片，输出图片的属性

（3）智能控制

输入棋盘局势，输出下一步落棋位置

（4）对话系统

输入语音，系统回复

那么寻找这个f(x)函数就是机器学习的核心任务。

目前应用一些场景

目前已经广泛应用，像美颜相机，今日头条可根据用户的浏览进行分类推荐、Siri的语音助手、淘宝的商品推荐等。

三、机器是如何学习

从训练数据到模型的过程主要经过下面几个步骤：

（1）训练数据经过数据处理得到有效数据；

（2）利用历史经验、数据分布规律进行初步选择算法。

（3）经过对多个算法的多次建模与评估，最终确定可用的算法；

（4）调整算法的参数，使得结果变得更加优良；

从数据处理到算法调优是一个不断完善、循环往复的过程，最终得到最优的模型。

更通俗的解释机器学习这个过程：

（1）定义一个函数的集合

（2）判断函数的好坏

（3）选择最好的函数

四、机器学习发展的五大流派

五大流派

几十年来，人工智能的各个部落一直都在彼此争夺主导权，而合作和算法融合是真正通用人工智能(AGI)的唯一方式。主要分为五大流派

演化阶段

五、机器学习的要素

模型

机器学习的条件概率分布或者决策函数。

简单的说就是使用什么的映射函数来表示特征X和Y标签直接的关系F。

F有两种表达形式： F={f|y=f(x)}或者F={P|P(Y|X)}。 F={f|y=f(x)}为决策函数，为非概率模型；F={P|P(Y|X)}条件概率表示，为概率模型。

作用：基于已经给出的例子来预测特定条件下的结果。

策略

策略就是从假设空间中挑选中参数最优的模型的准备。模型的分类或者预测与实际情况的误差（损失函数）越小，模型就越好。

作用：通过引入损失函数的方式来度量模型的好坏。

算法

具体的计算方法。如何求解全局最优解，并使得这个过程高效而且准确。

本质：用计算机算法怎么求数学问题的最优解。

三者直接的联系

基于训练数据集，根据学习策略，从假设中间选择最优模型，最后考虑用什么样的计算机方法来求解这个最优模型。

六、总结

后面就开始看各大算法了。加油！

转载地址：https://blog.csdn.net/nihaomabmt/article/details/102485222 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！