开始学习人工智能，以下是看资料总结的一些理论知识，未完待续......

目录

一.机器学习

1.什么是机器学习？

2.机器学习的本质是什么呢？

3.机器学习的应用有哪些？

4.机器学习有哪些分类？

二.深度学习

三.深度学习和机器学习的区别

1.两者在数据量上有何区别？

2.两者在特征抽取上有何区别？

---

一.机器学习

1.什么是机器学习？

   机器学习就是让机器从大量的数据中进行学习，让机器拥有学习能力来解决问题。 

2.机器学习的本质是什么呢？

   机器学习依赖于数据集，而现在计算机信息等发展迅速，有越来越大的数据集可以供机器学习研究，从而找出数据之间的联系，产生模型的算法，对新数据进行预测判断

3.机器学习的应用有哪些？

   机器学习可以应用到很多方面，比如计算机视觉（CV），自然语言处理（NLP）等等

4.机器学习有哪些分类？

（1）监督学习（目的明确的训练方式）

         监督学习中是让机器利用一组带有标注（标记）的数据来训练机器，让机器反复将预测结果和期望结果比对，修改模型参数，最终生成具有一定鲁棒性（稳定性）的模型。

        常见的监督学习有分类和回归。

        分类：是将一些实例数据分到合适的类别中，预测结果是离散的。

        回归：是将数据归到一条“线”上，即为离散数据产生拟合曲线，预测结果是连续的。

        监督学习可以用来判别邮件是否为垃圾邮件。

        缺点：需要大量已标记的训练样本来保持良好的性能，但是大量已标记的数据不易获取。

（2）无监督学习（没有明确目的的训练方式）

         无监督学习是根据没有被标记（标记信息未知）的训练样本解决模式识别中的各种问题。

         常见的无监督学习有聚类和降维两种。

         聚类：数据类别未知，通过分析数据样本的分布来将不同数据分开，把相似数据聚为一类。

         降维：将数据本身巨大的数量和各种属性特征进行分析，舍弃次要因素，将数据的维度降低

         无监督学习可以用于在大量无标签的数据中寻找信息。 

         缺点：虽然获取大量无标记样本更容易，但利用无标签样本的特征分布规律使得相似样本聚到一起，模型的准确性难以保证。

（3）半监督学习

         使用少量标记样本作为指导，利用大量无标记样本来改善学习的性能。

         半监督学习包括半监督聚类，半监督分类，半监督降维，半监督回归。

         常见的算法：生成式方法，半监督支持向量机......

（4）迁移学习

         是一种新的机器学习的方法，迁移已有的知识来解决少量或没有标签的样本数据。

（5）强化学习

         强化学习是自主学习系统，是通过连续的反馈来调整自身的动作以获得最优结果，是一种不断试错的过程，有一种动态规划的思想。

（6）深度学习

         深度学习也是一个自主学习系统，是从训练集中学习，然后将学习到的知识应用于新数据集，是一种静态学习。

二.深度学习

  深度学习是机器学习的分支，人工神经网络为基础，对数据的特征进行学习的方法

三.深度学习和机器学习的区别

1.两者在数据量上有何区别？

（1）机器学习的数据少，效果较差

（2）深度学习的数据多，效果更好

2.两者在特征抽取上有何区别？

（1）机器学习是人工抽取特征

（2）深度学习是自动进行特征抽取