机器学习初识

一 人工智能、机器学习以及深度学习的关系

二 人工智能的三起二落

• 20世纪50-70年代，人工智能提出后，力图模拟人类智慧，但是由于过分简单的算法、匮乏的难以应对不确定环境的理论，以及计算能力的限制，逐渐冷却。
• 20世纪80年代，人工智能的关键应用——专家系统得以发展，但是数据较少，难以捕捉专家的隐性知识，建造和维护大型系统的复杂性和成本也使得人工智能渐渐不被主流计算机科学所重视。
• 进入20世纪90年代，神经网络、遗传算法等科技“进化”出许多解决问题的最佳方案，于是21世纪前10年，复兴人工智能研究进程的各种要素，例如摩尔定律、大数据、云计算和新算法等，推动人工智能在21世纪20年代进入快速增长时期。预计未来十年，会在一些难以逾越的困惑中迎来奇点时代的爆发式增长。

三 AI新浪潮为什么会崛起

四 机器学习的特点

五 机器学习的学习过程

六 机器学习必备基础

• 数据基础（高等数学、线性代数、概率与统计、最优化）
• 算法功底
• 经典算法学习

七 如何训练代码能力

• 数据结构
• 算法设计
• 持续的训练与Debug

八 机器学习的分类

• 有监督学习
• 无监督学习
• 半监督学习
• 强化学习

九 机器学习的常见算法

十 构建机器学习项目的一般流程

1 数据获取

2 特征工程

3 模型的选择和调优

4 模型验证与误差分析

5 模型上线

十一 如何快速学习机器学习

十二 转换具备条件