人工智能和机器学习中关键组件

一、人工智能

    人工智能：用人工的方法在机器（计算机）上实现的智能；或者说是人们使机器具有类似于人的智能。

     人工智能学科：人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。

二、机器学习

    机器学习（machine learning，ML）是一类强大的可以从经验中学习的技术。通常采用观测数据或与环境交互的形式，机器学习算法会积累更多的经验，其性能也会逐步提高。

机器学习 (ML) 是人工智能的一个子领域，涉及教导机器从数据中学习，而无需明确编程。

三、机器学习中的关键组件

数据

    每个数据集由一个个样本组成，大多时候，遵循独立同分布，样本有时候也叫做数据点或者数据实例。数据来源广泛，可以是传感器收集的物理数据（如温度、湿度传感器的数据）、互联网上的文本、图像、音频等。拥有越多数据的时候，工作就越容易。更多的数据可以被用来训练出更强大的模型，从而减少对预先设想假设的依赖。

      数据集的质量和规模对模型的性能有着至关重要的影响。如果数据集存在偏差或者规模过小，可能会导致模型过拟合或欠拟合

•  过拟合 :模型过于复杂，参数过多，类似于“学霸”
• 欠拟合  :模型过于简单，参数过少，类似于“学渣”    

模型

    任一调整参数后的程序被称为模型。

    这些模型由神经⽹络错综复杂的交织在一起，包含层层数据转换，因此被称为深度学习。

     深度 学习（DL）：机器学习中的尖端分支

深度学习是机器学习的一个分支，基于人工神经网络，特别是深度神经网络（具有多层隐藏层的网络）。它通过模拟人脑的神经元连接方式，能够从大量的数据中自动提取高级特征和模式。

目标函数

     “学习”，是指自主提高模型完成某些任务的效能。

      在机器学习中，我们需要定义模型的优劣程度的度量，这个度量在大多数情况是“可优化”的，这被称之为目标函数。

       定义一个目标函数，并优化它到最小值——损失函数。

       预测数值任务——平方误差：预测值与实际值之差的平方。

       预测分类任务——最⼩化错误率：预测与实际情况不符的样本⽐例。

    损失函数是根据模型参数定义的，并取决于数据集。在一个数据集上，我们可以通过最⼩化总损失来学习模型参数的最佳值。

优化算法

        当我们获得了一些数据源及其表示、一个模型和一个合适的损失函数，接下来就需要一种算法，它能够搜索出最佳参数，以最⼩化损失函数。深度学习中，大多流行的优化算法通常基于一种基本方法——梯度下降（gradient descent）在每个步骤中，梯度下降法都会检查每个参数，看看如果仅对该参数进行少量变动，训练集损失会朝哪个方向移动。然后，它在可以减少损失的方向上优化参数。