机器学习和深度学习的关系

机器学习和深度学习的关系

机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术

机器学习：使用算法来解析数据，从中学习，然后对真实世界中的时间做出决策和预测。比如，垃圾邮件检测，房价预测、

深度学习：模仿人类神经网络，建立模型，进行数据分析。比如，人脸识别、语义理解，无人驾驶。

机器学习的类别：
监督学习（Supervised Learning）

• 训练数据包括正确的结果（标签-label）
  — 线性回归
  — 逻辑回归
  — 决策树
  — 神经网络、卷积神经网络、循环神经网络、

无监督学习（Unsupervised Learning）

• 训练数据不包括正确的结果
  — 聚类算法

半监督学习（Semi-supervised Learning）

• 训练数据包括少量正确的结果

强化学习 （Reinforcement Learning）

• 根据每次结果收获的奖惩进行学习，实现优化

混合学习
— 监督学习+ 无监督学习

监督学习：人脸识别，语音翻译，医学诊断，

无监督学习：新闻聚类、

强化监督学习：AlphaGo

延伸阅读资料
1、浅谈人工智能：现状，任务，架构与统一、
https://blog.csdn.net/dingyahui123/articel/details/78446329

2、五分钟了解人工智能
https://www.youtube.com/watch?v=2ePf9rue1Ao

3、比较符号学习与机器学习
https://analytiicsindiamag.com/understanding-difference-symbolic-ai-non-symbolic-ai/

Jupyter notebook
Jypyter Notebook是一个开源的Web应用程序，允许开发者方便的创建和共享代码文档
·可以实现代码，运行代码、查看结果、并可视化数据、

特点：
允许把代码写入独立的cell中，然后单独执行。用户可以在测试项目时单独测试特定代码块，无需从头开始执行代码
基于web框架进行交互开发，非常方便

基础绘图库：
www.matplotlib.org.cn

www.pypandas,cn/

www.numpy.org.cn

什么是线性回归？（Regression Analysis ）

·百万人口医生数量预测区域人均寿命
·年龄预测身高
·住宅面积预测售价

回归分析：根据数据，确定两种或两种以上变量间相互依赖的定量关系。
函数表达式：y = f(x1,x2,…xn)

	一元回归：y = f(x)
变量数
	多元回归：y = f(x1,x2....xn)

回归

	线性回归：y = ax + b
函数关系	
	非线性回归：y = ax² + bx + c

举例： 房价 = f(面积)

线性回归：回归分析中，变量与因变量存在线性关系

举例：
线性回归：
距离S = 速度 * t + S0

非线性回归：
距离S = 加速度*t² + S0

1、确定P、A间的定量关系
P = f（A）

2、根据关系预测合理价格
P = f（）