人工智能（ai）:是一个研究领域，像人一样机器智能的综合分析

研究目标：使计算机来模拟人类

机器学习（ml）：从历史数据中通过模型（公式）寻找规律，然后拿一个新的数据进行预测

深度学习（dl)：深度神经网络，大脑仿生，设计一层一层的神经元来模仿世间万物

三者的关系：

机器学习实现人工智能，深度学习是机器学习的一种方法

ai发展的三要素:

数据，算法，算力

机器学习的常用术语：

样本：一行的数据

特征：一列的数据

标签：模型要进行预测的那一列的数据

特征：从数据中抽取出来对结果预测有用的数据

数据集的划分，训练集：测试集====8：2///7：3

x_train:训练集特征  y_train：训练集的标签

x_test:ces集特征  y_test：测试集的标签

算法的分类：

有监督学习：输入数据是由输入特征值和目标值所组成即输入的训练数据有标签，数据集：需要表述数据的标签/目标值

有特征，有标签

无监督学习：输入数据的没有标记，样本数据类别未知，根据样本间的相似度来对两本进行聚类，以发现事物内部结构及相互关系

有特征，无标签

实例：

有监督学习：疾病诊断，收集带标签的数据来进行模型的训练，用模型来预测不带标签的数据

无监督学习：用户分类，输入用户的行为信息没有标签，通过所有用户行为的相似度来进行分组

有监督学习：

分类和回归

分类：目标值（标签值）是不联系的

回归：目标值是联系的求平均值

通过标签来判断这个模型使用分类算法还是回归算法

半监督学习：让专家标注少量数据，利用已经标记的数据训练一个模型，用这个模型去预测没有标签的数据，拿这个结果与行业专家分类结果做对比

纯半监督学习:有标签和无标签一起训练，最终目的利用训练好的模型去预测新的待测数据

直推学习:有标签和无标签一起训练,对现有无标记的数据进行预测（无标记的数据是同一批数据不是新的）

强化学习：四要素，agent,环境状态，行动，奖励

agent根据环境状态进行行动来获得最多奖励

机器学习的建模流程：

获取数据，数据基本处理，特征工程，机器学习（模型训练），模型评估

特征工程：

利用专业背景知识和技巧来处理数据，让机器学习的算法效果最好

数据和特征决定了机器学习的上限，而模型和算法是无限逼近于这个上限

特征提取：从原始数据中提取于任务相关的特征

特征预处理：对特征进行归一化或者标准化，因为有量纲问题即特征的单位问题

特征降维：将原始数据的维度降低

特征选择：在特征提取的基础上，再进行特征的选择

特征组合：把多个特征合并为一个特征

模型拟合问题：

拟合：用来表示模型对样本分布点的模型情况

欠拟合：模型再训练集和测试集表现都很差，原因:模型太简单了

过拟合：模型在训练集表现很好在测试集表现很差  原因：模型太复杂了，数据集量太少

泛化：模型在新数据集上的表现好坏的能力

奥卡姆剃刀原则：两个具有相同泛化能力的模型，选取较为简单的模型