机器学习与人工智能：一场革命性的变革
- 人工智能的概述
- 什么是机器学习
- 定义
- 解释
- 数据集结构
- 机器学习应用场景
人工智能的概述
1956年8月，在美国汉诺斯小镇宁静的达特茅斯学院中，约翰·麦卡锡（John McCarthy）、马文·闵斯基（MarvinMinsky，人工智能与认知学专家）、克劳德·香农（Claude Shannon，信息论的创始人）、艾伦·纽厄尔（AllenNewell，计算机科学家）、赫伯特·西蒙（Herbert Simon，诺贝尔经济学奖得主）等科学家正聚在一起，讨论着一个完全不食人间烟火的主题：用机器来模仿人类学习以及其他方面的智能，会议足足开了两个月的时间，虽然大家没有达成普遍的共识，但是却为会议讨论的内容起了一个名字：人工智能，因此，1956年也就成为了人工智能元年。
达特茅斯会议-人工智能的起点
- 人工智能、机器学习与深度学习的关系
- 机器学习是人工智能的一个实现途径
- 深度学习是机器学习的一个方法发展而来
什么是机器学习
定义
汤姆·米切尔（Tom M.Mitchell，机器学习之父）：A computer program is said to learn from experienceE with respect to some class of tasks T and performance measure P if its performance at tasks in T, asmeasured by P, improves with experience E.
假设用性能度量P来评估机器在完成某类任务T的性能，如果该机器利用经验E（即数据D）在任务T中改善了其性能度量P，那么可以说机器对经验E进行了学习，即机器学习
机器学习是从历史数据中分析获得算法模型，并利用算法模型对未知数据进行预测.
解释
我们人从大量的日常经验中归纳规律，当面临新的问题的时候，就可以利用以往总结的规律去分析现实状况，采取最佳策略。
从数据（大量的猫和狗的图片）中自动分析获得模型（辨别猫和狗的规律），从而使机器拥有识别猫和狗的能力。
从数据（房屋的各种信息）中自动分析获得模型（判断房屋价格的规律），从而使机器拥有预测房屋价格的能力。
数据集结构
从历史数据中获得规律？那么历史数据是什么样的格式？
- 数据集结构：
特征值+目标值
- 每行数据，称为
样本(sample)或实例(instance) - 研究对象的性质，例如面积、位置、楼层、朝向，称为
特征(feature)或输入(input) - 特征的具体数值，例如【样本1】对应的80、9、3、0，称为
特征值(feature value) - 样本的结果信息，例如【样本1】的房价为80，称为
标签(label)或目标(target)或输出(output) - 从数据中学习得到模型的过程称为
学习(learn)或训练(train) - 用于训练模型的样本数据集称为
训练集(train set) - 用于测试模型的样本数据集称为
测试集(test set)
注意：有些数据集可以没有目标值
机器学习应用场景
机器学习的应用场景非常广泛，可以说渗透各行各业，例如医疗、航空、教育、物流、电商等领域的各种场景
用在挖掘、预测领域：
应用场景：店铺销量预测、量化投资、广告推荐、企业客户分类等
用在图像领域：
应用场景：街道交通标志检测、人脸识别等
用在自然语言处理领域：
应用场景：文本分类、情感分析、自动聊天、文本检测等
