概念一：机器学习(Machine Learning)

• Machine：不是物理机器，可以理解为：平台、系统、软件、代码
• Learning：一个平台/系统，经历了某些过程之后，性能或能力得到提升，这个过程就叫学习。

机器学习的项目流程：

第一步：从宏观角度来分析问题，搞定输入和输出。

结合我们实际应用中会遇到的问题，其输入输出如下：

• 中英翻译器:
  

  • 输入：中文
  • 输出：英文

• 房价预测：
  

  • 输入：房子
  • 输出：价格

• 人脸检测：
  

  • 输入：图像
  • 输出：人脸

第二步：按照输入和输出，构建数据集

一般来说，数据集的构成形式：

• 一行一个样本，一列一个特征(其实是一个二维表)
• 前面放特征(输入)，最后一个放标签(输出)

备注：在魔塔社区找了一份大众点评评价数据集，其内容即为一个表格，前面是特征，label为标签。

第三步：找一个机器学习算法，完成输入到输出的映射

这个过程一般来说是，其本质是完成从输入到输出的映射。

• 遴选一种算法
• 把数据给算法
• 完成算法的训练
• 模型评估

第四步：部署算法，工程集成即可

第五步：模型不断地迭代升级

概念二：算法和模型

• 算法：Algorithm，偏抽象的，计算机执行一个任务时，具体的执行步骤。
• 模型：model，具体的，把算法用代码实现出来，这就是模型

概念三：传统算法 VS 人工智能：

传统算法：rule-based algorithm  基于规则的算法

* 规则是人来定的
* 数学和计算机背景
* 复杂度：时间复杂度和空间复杂度很低，硬件要求低，执行速度快
* 效果：鲁棒性差，泛化能力极其弱小，解释性好

人工智能算法：data-based algorithm 基于数据的算法

* 从老数据中挖掘规律：训练(train)/学习(learn)/拟合(fit)
* 把规律作用于新数据：推理(infer)/泛化/预测(predict)/测试(test)
* 非常简单，人人可以学会
* 复杂度：时间复杂度和空间复杂度很高，硬件要求极高，执行速度极慢
* 效果：鲁棒性好，泛化能力极强，解释性差

数学知识：

人工智能需要以下数学知识的支撑：

• 高等数学：其是用来做优化的（梯度下降法）
• 概率论和数理统计：做建模思想
• 线性代数和矩阵论：高性能科学计算