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()

你可能感兴趣的:(深度学习,python)