• 研究对象是理论、技术及应用
• 研究目的是模拟、延伸和扩展人的智能

一些基础的概念：

• 学习的目标：分类、回归、聚类
• 根据训练数据特性可以分为：
  • 有监督学习——分类与回归
  • 半监督学习
  • 无监督学习——聚类（聚类:将训练中集中的数据划分为若干组，这些自动形成的组可能对应一些潜在的概念划分例如:本地产品、外地产品）
  • 弱监督学习
• 判断和预测（判别模型）
  - 模型复杂程度
  - 线性模型
  - 非线性模型
  - 模型功能
  - 生成模型
  - 判别模型
  区分监督和无监督学习：判断标签是否存在，也就是用什么作为参考答案而这是不是“已有的标签”

模型的训练前提得有数据，而且对数据的要求还很高，因为数据可能存在的问题：

• 不相关属性：（危害）
• 属性缺失：（一些很重要的数据可能被遗漏）
• 冗余属性：（可以从其他属性获得，比不相关属性危害小）
• 噪声：
  - 属性噪声
  - 类标签噪声（位于分类之间的边界难以界定（随机噪声——危害性较大）
  所以我们需要对数据进行处理

在训练模型的过程中，样本（经验），提炼（标记）特征（多个维度去比较属性及属性值），使用的这些成为训练集。得到模型后测试和验证的为测试集和验证集。这些集和可以在原集和随机打乱比例划分或者重新独立采集

得到的模型可能出现泛化，是指模型拟合以前未见过的新数据的能力

• 离散值，如喜欢、不喜欢称为分类，特别的叫做二分类任务
• 连续值，称为回归

深度学习是机器学习的一个子领域，它利用多层神经网络来学习和提取数据中的高级抽象特征。 深度学习是机器学习中最活跃的研究方向之一，近年来在计算机视觉、自然语言处理、语音识别等领域取得了很多重要的进展和突破。因此，可以将深度学习看作是机器学习的一个重要分支。

人工智能>机器学习>深度学习

其中人工智能和机器学习：

机器学习和深度学习：