人工智能 一、基础理论

一、什么是人工智能：

1、基于历史数据，通过算法模型，推到出未来的数据。

二、人工智能如何训练。

阶段		掌握
数据	学什么	数据预处理，特征工程
算法	怎么学	机器学习，深度学习
模型	学到的规律	优化算法，模型评估
预测	学以致用	模型压缩，模型上线

三、机器学习和深度学习的区别。

机器学习	数据 → 人为标记 → 分类 → 输出
深度学习	数据 → 特征提取+分类 → 输出

1、机器学习又分为，有监督（回归 Regression，分类classification）和无监督（聚类 clustering,降维 ）。
不同的任务能够解决不同的问题：
回归：（有监督）
本质：用历史数据，预测未来情况。
目标：预测 -inf 到 +inf 之间的值，连续值
应用：预测，股市，天气，房价

分类： (有监督，类别是已经预定义的，即在训练模型之前就已经明确了有哪些类别以及每类的特征)
本质：找到分界，根据分界对新来的数据进行分类
目标：对新的数据预测出属于各个类别的概率，争取的概率越大越好，最后选择概率大的归类
应用：图像识别，银行风控，情感分析

聚类(无监督，类别是在模型训练过程中根据样本间的相似度来划分的，事先并不知道最终会有多少类别或类别应该是什么样子。)
本质： 更具样本和样本之间的类似度，进行归类
目标：将数据划分成多个组
应用：用户分组，异常检测，前后背景分离

降维：（无监督）
本质：去掉冗余信息或者噪音。
目标：将数据的维度减少。
应用：数据的预处理，可视化，提高模型的计算速度。