??人工智能包括機器學習，機器學習包括深度學習，學好機器學習的基礎對入門深度學習有很好的幫助。

機器學習是20世紀50年代就出現的數據分析技術，最近幾年才風靡是因為深度學習和增強學習的崛起，如AlphaGo和人臉識別等。前人定義機器學習為一個讓計算機自主學習的技術領域，它的核心目的是擬合， 分類和預測，具有極強的融合性，各種交叉學科都可能見到它的身影。

我個人理解就是扔一堆數據給計算機，然后它能分析出數據的規(guī)律，進而擬合出規(guī)律并預測下一個數據的屬性。

應用：語音、人臉識別、語言翻譯、計算機視覺、電影推薦、排序等等

分類

監(jiān)督學習（扔給計算機的數據是帶有標簽的，就是帶有數據的屬性，比如帶有標簽的貓的照片數據，計算機會知道它是貓）：

1、回歸（regression）：利用數據擬合出一個規(guī)律，比如（1,1），（2,2）這兩點給計算機，它會擬合出y=x這條直線，這也叫線性回歸，如果數據變成三維或更高維，則稱為多元線性回歸。

2、分類（classification）：計算機主要對數據進行分類，比如貓是貓，狗是狗，這種分類的主流方法有很多，以后會逐一介紹：邏輯回歸（名字叫回歸但實際是分類哦）、感知機（深度學習的基礎）、貝葉斯分類器（為數據分析引入了概率，考試的話送分的）、支持向量機（面試必問，很強大，但實際工業(yè)用得少）、決策樹（對結果有非常高的解釋性，考試的話送分的）、隨機森林（很多棵決策樹就變成了森林）、K近鄰（近朱者赤近墨者黑，考試的話送分的），等等

非監(jiān)督學習（就是數據沒有標簽了，計算機不知道誰是誰，只能根據數據的距離或概率分布等作出決策）：

1、聚類（clustering）：最常用的方法就是聚類，其中最主流、簡單的是K均值（與K近鄰都是有參數K和距離公式，但兩者大大不同），還有高斯混合模型、譜聚類等等

強化學習（模型能以“試錯”的方式進行學習，通過與環(huán)境進行交互獲得的獎賞指導行為，即可以評價每一次的行為，目標是使模型獲得最大的獎賞）：

1、馬爾可夫決策過程（Markov Decision Process）

學習

要想全面掌握機器學習，我們還要學習很多的學習算法，如著名的梯度下降（BGD、SGD…），牛頓法等，很多基礎理論知識，如經驗風險最小化、方差—誤差、數據集（訓練集、測試集、驗證集）、過擬合、矩陣分解（奇異值分解SVD）、降維（PCA、LDA…）。

可能很多人像我剛上課一樣覺得機器學習就是不斷編程嘛，搞代碼的一門課，其實不然，如果只是編程，調一個很成熟的sklearn庫就能解決大多問題，而且巨方便，但這樣和搭積木沒有太多區(qū)別。深入機器學習就必須了解這些庫是怎么通過一行行代碼實現的，這樣跟調參俠就會拉開差距，所以數學知識很重要，涉及高數、線代、概率論，還有一些凸優(yōu)化。一起加油吧！

附上其他筆記的鏈接：

《無廢話的機器學習筆記（二）(線性回歸)》
《無廢話的機器學習筆記（三）(梯度下降)》
《無廢話的機器學習筆記（四）(感知機、邏輯回歸、貝葉斯)》
《無廢話的機器學習筆記（五）(SVM)》
《無廢話的機器學習筆記（六）(決策樹，KNN)》
《無廢話的機器學習筆記（七）(聚類: kmeans、GMM、譜聚類)》
《無廢話的機器學習筆記（番外）(數據集，方差-偏差，過擬合，正則化，降維)》