基本机器学习（Basic Machine Learning）

人工智能（AI）是使计算机能够模仿人类认知行为或智能的任何代码，算法或技术。 机器学习（ML）是AI的一个子集，它使用统计方法使机器能够通过经验学习和改进。 深度学习是机器学习的一个子集，它使多层神经网络的计算变得可行。 机器学习被视为浅层学习，而深度学习被视为具有抽象的层次学习。

机器学习涉及广泛的概念。 概念如下 -

• supervised
• unsupervised
• 强化学习
• linear regression
• 成本函数
• overfitting
• under-fitting
• hyper-parameter, etc.

在监督学习中，我们学会从标记数据中预测值。 一种有助于此的ML技术是分类，其中目标值是离散值; 例如，猫和狗。 机器学习中可能有帮助的另一种技术是回归。 回归适用于目标值。 目标值是连续值; 例如，可以使用回归分析股票市场数据。

在无监督学习中，我们根据未标记或结构化的输入数据进行推断。 如果我们有一百万个医疗记录并且我们必须弄清楚它，找到基础结构，异常值或检测异常，我们使用聚类技术将数据划分为广泛的聚类。

数据集分为训练集，测试集，验证集等。

2012年的突破使深度学习的概念突显出来。 一种算法使用2个GPU和大数据等最新技术成功地将100万个图像分类为1000个类别。

关于深度学习和传统机器学习

传统机器学习模型遇到的主要挑战之一是称为特征提取的过程。 程序员需要具体并告诉计算机要注意的功能。 这些功能有助于做出决策。

将原始数据输入算法很少有效，因此特征提取是传统机器学习工作流程的关键部分。

这给程序员带来了巨大的责任，算法的效率在很大程度上依赖于程序员的创造力。 对于诸如对象识别或手写识别之类的复杂问题，这是一个巨大的问题。

深度学习能够学习多层表示，是帮助我们自动进行特征提取的少数几种方法之一。 可以假设较低层执行自动特征提取，几乎不需要程序员的指导。