入行AI将近3年，现在终于有时间和意愿撰写小文（入行两三年之后，对AI的理解才更深刻，才有底气写博客）。下面，我们展开聊聊。

1. 人工智能中三个重要的概念

  人工智能AI：Artificial Intelligence，像人一样理性思考，合理行动。
  机器学习ML：Machine Learning，机器自动学习，而不是基于规则的编程，机器学习时实现人工智能的一种有效途径。
  深度学习DL：Deep Learning，深度神经网络，大脑仿生,设计一层一层的神经元模拟万事万物，深度学习是机器学习的一种方法。

机器学习，是实现人工智能的一种有效途径，
深度学习，是机器学习中的一种突出方法。

2. 人工智能发展的三要素

  数据：决定了模型效果的上限，其中，
          样本：一条数据就是一个样本
          特征：每一列数据叫做一个特征
          标签：模型要预测的那个特征，也称目标，即target。
          数据集又划分：划分为训练集和测试集，一般比例为8:2或7:3。
  算法：分类,回归,聚类...
  算力：
          CPU：负责调度任务、计算任务等；主要适合I\O密集型的任务
          GPU：更加适合矩阵运算；主要适合计算密集型任务。
          TPU：专门针对神经网络训练设计一款处理器，T，即Tensor，主要负责张量运算。

3. 机器学习

简单来说，机器学习是让计算机从数据中自动学习规律，并利用规律对未知数据进行预测的技术。它不像传统编程那样需要人为编写精确的规则（比如“如果A则B”，即if-else），而是通过算法从大量历史数据中“训练”出一个模型。

•基于规则的学习 ： 程序员根据经验利用手工的if-else方式进行预测

3.1 机器学习算法的分类：

    (有)监督学习：有特征也有标签(结果驱动)，其中，又包括：
            分类任务，标签是离散的
            回归任务，标签是连续的
    无监督学习：有特征无标签(数据驱动)，其中，又包括聚类任务，降维任务，异常检测任务等
    半监督学习：有特征有部分标签，可降低标注成本,提升效率。
    强化学习：agent根据环境状态进行行动获得最多的累计奖励， 强化学习的四要素：agent、环境、行动、奖励

用反向思维来理解，可能更好理解，机器学习的的主要算法：

        分类算法：属于有监督学习，标签是离散的。

        回归算法：属于有监督学习，标签是连续的。

        聚类算法：属于无监督学习，即无目标，根据数据簇拥程度，将数据分为几个簇。

3.2 机器学习的建模流程：

    获取数据：根据任务获取数据

    数据预处理：缺失值,异常值处理

    特征工程：利用专业背景知识和技巧处理数据,让机器学习算法效果更好

    模型选择/训练：选择合适的模型，从特征数据中学习到规律，通常是决策函数或条件概率分布

    模型预测/评估：对训练出的模型进行预测/评估，以此来评估模型的好坏效果或程度，以便决定是否进行下一步优化。

其中，特征工程又分为：

   特征提取：从原始数据中提取与任务相关的特征

   特征预处理：将不同的特征数据转换成同一尺度,同一分布内

   特征降维：将原始数据的维度降低

   特征选择：从特征中选择一些重要特征

   特征组合：把多个特征组合成一个特征

特征工程，也可以归类于数据预处理

4. 机器学习的算法和应用：

        4.1 KNN算法：

        4.2 线性回归算法：

        4.3 逻辑回归算法：

        4.4 聚类KMeans算法：