CSDN学习社区

首先，我们看一下人工智能，机器学习和深度学习的关系：

很明显的可以看出，人工智能包含机器学习，机器学习又包含深度学习，他们是一个同心圆。而人工智能，顾名思义，粗略的可以看做把人的智慧和机器结合起来，机器会按照人类给他规定的规则（算法）去完成特定的任务。

　　弱人工智能应用的非常广泛，但是因为比较“弱”，所以很多人没有意识到它们就是人工智能。他是只专注于完成某个特定的任务，例如语音识别、图像识别和翻译，仅仅的只是擅长单个方面的能力，例如阿尔法狗，虽然他战胜了各国的棋手，但是让他去打代码，他肯定不会。类似于这样的擅长某个特定能力的智能称为弱人工智能。而强人工智能有可能制造出真正能推理和解决问题的智能机器，并且，这样的机器能将被认为是有知觉的，有自我意识的。即真正实现了机器“像人一样思考”、“像人一样行动”、“理性地思考”和“理性地行动”。这里“行动”应广义地理解为采取行动，或制定行动的决策，而不是肢体动作。也就是说只要是人能干的，他都能干。我们目前的技术还不能够实现。而超人工智能，也就是超越人的智能，超人工智能储存容量大，有独立的思想，计算能力也强大，还不会生老病死。但是，真正实现这种技术，那世界不就乱套了。

什么是机器学习？

机器学习是人工智能核心，机器学习就是用大量的数据，然后通过各种算法（比如SVM、决策树、逻辑回归等），去挖掘出这些数据中隐含的规律，然后再用于预测和分类。

什么是深度学习？

　　深度学习是实现机器学习的一种技术，也是一种特殊的机器学习，深度学习（DL）是机器学习中一种基于对数据进行表征学习的方法，是一种能够模拟出人脑的神经结构的机器学习方法。

 

　（深度学习的概念源于人工神经网络的研究。而人工神经网络ANN（ArTIficial Neural Network）是从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络，简称为神经网络或类神经网络。因此，深度学习又叫深层神经网络DNN（Deep Neural Networks），是从之前的人工神经网络ANN模型发展而来的。

 

　　深度学习是机器学习研究中的一个新领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，比如图像，声音和文本等。深度学习，能让计算机具有人一样的智慧，其发展前景必定是无限的）-----引用

 

 

机器学习算法分类：

监督学习Supervised learning：

　　—— 监督学习涉及一组标记数据。计算机可以使用特定的模式来识别每种标记类型的新样本。每一个样本数据都要有标签，最后我们只要总结出这些训练样本与标签的映射关系。进一步说，就是你使用带有标签数据的训练算法，将一组输入对象(通常为矢量)映射到一组期望的输出值中(也称为监督信号)

无监督学习Unsupervised learning：

　　—— 是指人们在获得训练的向量数据后在没有标签的情况下尝试找出其内部蕴含关系的一种挖掘工作，在这个过程中，不需要对这些样本做任何的标记或者是干预。机器学习的另一个分支，则没有参考数据，一切都没有标签。 换句话说，你提供输入，但不提供输出。 该算法对未标记的数据进行整理，提取推论并找出模式。 无人监督学习对于人类无法定义的，隐藏模式的情况尤其有用。

半监督学习Semi-Supervised learning：  

　　—— 半监督学习的基本思想是利用数据分布上的模型假设, 建立学习器对未标签样本进行标签。

强化学习Reinforcement Learning：

　　—— 强化学习也是使用未标记的数据，但是可以通过某种方法知道你是离正确答案越来越近还是越来越远（即奖惩函数）。可以把奖惩函数想象成正确答案的一个延迟的、稀疏的形式。在监督学习中，能直接得到每个输入的对应的输出。强化学习中，训练一段时间后，你才能得到一个延迟的反馈，并且只有一点提示说明你是离答案越来越远还是越来越近。

 

机器学习步骤

通常学习一个好的函数，分为以下三步：

1、选择一个合适的模型，这通常需要依据实际问题而定，针对不同的问题和任务需要选取恰当的模型，模型就是一组函数的集合。

2、判断一个函数的好坏，这需要确定一个衡量标准，也就是我们通常说的损失函数（Loss Function），损失函数的确定也需要依据具体问题而定。

3、找出“最好”的函数，如何从众多函数中最快的找出“最好”的那一个，这一步是最大的难点，做到又快又准往往不是一件容易的事情。常用的方法有梯度下降算法，最小二乘法等和其他一些技巧（tricks）。

学习得到“最好”的函数后，需要在新样本上进行测试，只有在新样本上表现很好，才算是一个“好”的函数。