前段時(shí)間看了不少關(guān)于人工智能方面的書籍博客和論壇，深深覺得了人工智能是個(gè)大坑，里面有太多的知識(shí)點(diǎn)和學(xué)科，要想深入絕非易事，于是萌發(fā)了自己寫一些博客把自己的學(xué)習(xí)歷程和一些知識(shí)點(diǎn)筆記都記錄下來的想法，給自己一個(gè)總結(jié)收獲，同時(shí)監(jiān)督自己的動(dòng)力，這樣咱也算是“有監(jiān)督學(xué)習(xí)”了：）

這里提到了“有監(jiān)督學(xué)習(xí)”，在剛剛開始學(xué)習(xí)人工智能/機(jī)器學(xué)習(xí)的時(shí)候經(jīng)?？吹?，對(duì)于這個(gè)概念從一無所知到懵懵懂懂到略有了解也花費(fèi)了一點(diǎn)時(shí)間，對(duì)于老鳥來說這些概念都太基本了因此沒有過多的篇幅來介紹，但對(duì)于新手來說，剛剛接觸一個(gè)新的領(lǐng)域的時(shí)候往往看到的都是一個(gè)個(gè)“高大上”的名詞，這種名詞多了，學(xué)習(xí)曲線就陡峭了，因此我們還是從基本的概念開始整理整理吧。因此這篇筆記就是一個(gè)基本概念的梳理，若有不恰的地方望不吝賜教。

人工智能，機(jī)器學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)的關(guān)系

剛剛接觸人工智能的內(nèi)容時(shí)，經(jīng)常性的會(huì)看到人工智能，機(jī)器學(xué)習(xí)，深度學(xué)習(xí)還有神經(jīng)網(wǎng)絡(luò)的不同的術(shù)語，一個(gè)個(gè)都很高冷，以致于傻傻分不清到底它們之間是什么樣的關(guān)系，很多時(shí)候都認(rèn)為是一個(gè)東西的不同表達(dá)而已，看了一些具體的介紹后才漸漸有了一個(gè)大體的模型。

機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是人工智能最重要的內(nèi)容，先來看看它的一個(gè)定義（當(dāng)然有很多不同的定義）：“Machine learning is the idea that there are generic algorithms that can tell you something interesting about a set of data without you having to write any custom code specific to the problem. Instead of writing code, youfeed datato thegeneric algorithmand itbuilds its own logicbased on the data.”這里面有幾個(gè)重要的關(guān)鍵詞，就是你不用寫專門的業(yè)務(wù)邏輯代碼而是通過輸入大量的數(shù)據(jù)給機(jī)器，由機(jī)器通過一個(gè)通用的機(jī)制來建立它自己的業(yè)務(wù)邏輯，也就是機(jī)器“自我學(xué)習(xí)”了業(yè)務(wù)的邏輯，當(dāng)然這種學(xué)習(xí)后的邏輯可以用來處理新的數(shù)據(jù)。這和人類的學(xué)習(xí)過程有些類似，如下圖：

有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)

這兩個(gè)概念也是剛剛接觸機(jī)器學(xué)習(xí)經(jīng)常碰到的概念，通俗/簡單點(diǎn)來說，所謂有監(jiān)督學(xué)習(xí)就是訓(xùn)練用歷史數(shù)據(jù)是既有問題又有答案，而無監(jiān)督學(xué)習(xí)就是訓(xùn)練用歷史數(shù)據(jù)是只有問題沒有答案。正式的說法一般是把答案稱之為標(biāo)簽label還有一種介于兩者之間的混合學(xué)習(xí)方法，稱為半監(jiān)督學(xué)習(xí)

在無監(jiān)督學(xué)習(xí)中，主要是發(fā)現(xiàn)數(shù)據(jù)中未知的結(jié)構(gòu)或者是趨勢。雖然原數(shù)據(jù)不含任何的標(biāo)簽，但我們希望可以對(duì)數(shù)據(jù)進(jìn)行整合（分組或者聚類），或是簡化數(shù)據(jù)（降維、移除不必要的變量或者檢測異常值）。因此無監(jiān)督算法主要的分類包含：- 聚類算法 (代表：K均值聚類，系統(tǒng)聚類)- 降維算法 （代表：主成份分析PCA，線性判斷分析LDA）

有監(jiān)督學(xué)習(xí)，可以根據(jù)預(yù)測變量的類型再細(xì)分。如果預(yù)測變量是連續(xù)的，那這就屬于回歸問題。而如果預(yù)測變量是獨(dú)立類別（定性或是定類的離散值），那這就屬于分類問題了。因此有監(jiān)督學(xué)習(xí)主要的分類包含：- 回歸算法 (線性回歸，最小二乘回歸，LOESS局部回歸，神經(jīng)網(wǎng)路，深度學(xué)習(xí)）- 分類算法（決策樹，支持向量機(jī)，貝葉斯，K-近鄰算法，邏輯回歸，隨機(jī)森林）

這里面提到了很多的算法，目前還不需要一一去掌握，相信在今后的學(xué)習(xí)中會(huì)經(jīng)?？吹剑然靷€(gè)眼熟：）

這些所有的算法中，目前最熱的恐怕是深度學(xué)習(xí)了，但要了解深度學(xué)習(xí)必須先了解它的前任（前生，父類）。

神經(jīng)網(wǎng)絡(luò)

關(guān)于神經(jīng)網(wǎng)絡(luò)的介紹在網(wǎng)上有很多很多了，有不少大牛的介紹和課程，本人主要參考/推薦如下：神經(jīng)網(wǎng)絡(luò)淺講：從神經(jīng)元到深度學(xué)習(xí)用平常語言介紹神經(jīng)網(wǎng)絡(luò)因此不再贅述細(xì)節(jié)，做了一個(gè)不完全的總結(jié)圖：

好了，大體的一個(gè)機(jī)器學(xué)習(xí)的最最基本的概念總結(jié)完畢，其實(shí)學(xué)習(xí)這些基本概念還是比較簡單方便的，畢竟我們有強(qiáng)大的搜索引擎，只要輸入“機(jī)器學(xué)習(xí)”就能得到海量的知識(shí)讓我們?nèi)W(xué)習(xí)，不過對(duì)于剛開始的初學(xué)者來說，先淺嘗即止即可，有了一個(gè)框架性的了解，為后續(xù)的深入學(xué)習(xí)做準(zhǔn)備。