目录
一.人工智能、机器学习、深度学习、神经网络是什么
简单来说，人工智能的概念是最大最空的；机器学习其次，它是实现人工智能的一个重要途径；深度学习是机器学习中的一类方法，而深度学习是从神经网络基础上发展得到的，核心还是人工神经网络算法，最基本的算法没有变。
1.人工智能：可以像人类大脑一样思考的机器，拥有人类的智慧。
科学家对AI未来的发展畅想了三个阶段，我们目前处于弱人工智能阶段，正在探索强人工智能。
2.机器学习：实现人工智能的方法统称为机器学习，简单来说就是从历史数据中学习规律，然后训练出模型，使用模型预测未来的一种方法。机器学习与其他领域的处理技术结合，形成了计算机视觉、语音识别、自然语言处理等交叉学科。
3.深度学习：属于机器学习中的一类方法。解决了很多传统机器学习算法效果不佳的智能问题，机器学习是爸爸，深度学习是儿子。
4.神经网络：模仿生物神经网络运作机制的人工神经网络，深度学习是基于神经网络算法发展的。
神经网络基本原理介绍可参考这篇文章：
神经网络——最易懂最清晰的一篇文章_illikang的博客-CSDN博客_神经网络
深度学习与传统的神经网络算法最大的不同点在于：
训练数据：传统神经网络算法必须使用有label的数据，但深度学习不需要；
训练方式：传统神经网络使用反向传播算法，深度学习使用自下而上非监督学习，再结合自顶向下的监督学习的方式；
层数：传统神经网络算法只有2-3层，再多层训练效果也不会有较大提升，训练时间更长。深度学习可以有非常多层的隐含层，并且效果很好。
提问：
1.这里指的有label的数据是什么数据；
2.监督/非监督学习的含义；
3.为什么深度学习可以在有很多隐含层的情况下还可以有好的效果，怎么做到的；
二.机器学习介绍
2.1分类
1.按照学习方式分：
2.按照学习任务分：
2.2常用算法
1.回归算法：试图采用对误差的衡量来探索变量之间的关系的一类算法。
包括最小二乘法、逻辑回归、逐步式回归、多元自适应回归样条、本地三点平滑估计等。本质上线性回归处理的是数值问题，最后预测的结果是数字，如预测房价，而逻辑回归属于分类算法，预测结果是离散的分类，如判断邮件是否为垃圾邮件等。
2.决策树算法：根据数据的属性采用树状结构建立决策模型，常用来解决分类和回归问题。
包括分类及回归树、ID3、C4.5、随机森林、多元自适应回归样条（MARS）以及梯度推进机（GBM）等
决策树详细介绍可参考文章：
机器学习算法（3）之决策树算法_且行且安~的博客-CSDN博客_决策树算法
3.贝叶斯方法：基于贝叶斯定理，主要解决分类和回归问题。
包括朴素贝叶斯算法、平均单依赖估计等。
4.聚类算法：通常按中心点或者分层的方式对输入数据进行归并，简单来说就是计算种群中的距离，根据距离的远近将数据划分为多个种群。试图找到数据的内在结构，以便按照最大的共同点将数据进行归类，
包括k-Means算法、期望最大化算法等。
5.关联规则学习：通过寻找最能够解释数据变量之间关系的规则，来找出大量多元数据集中有用的关联规则。
包括Apriori算法和Eclat算法等。
6.深度学习
等等
提问：
1.分类和回归问题是一类什么样的问题；
2.这些常用算法的原理和应用具体是怎样的？
文章出处登录后可见！
