人工智慧與機器學習
（一）人工智慧
人工智慧的定義
只要能讓計算機模擬人類行為的技術，就稱作是人工智慧
在我們生活中 ，有很多對未來世界的假設，有很多關於人工智慧的電影
2. 人工智慧的分類領域
1） 模式識別
2） 影象識別
影象識別應用的領域：
自動駕駛——> 深度神經網路，影象識別，模式識別
影象識別/影象處理
工業自動化 ——> 機器學習/影象識別
光學影像 ——> 深度學習/模式識別
3） 語音識別
語音識別應用領域：
個人助手——> 深度學習
自動話務員——> 深度識別/模式識別
聲紋識別 ——> 深度學習/lstm
4） 自然語言處理
nlp應用領域：
（大）資料分析——> 大資料（深度學習）
文字分析——> 模式識別/nlp/lsmt
人工智慧與機器學習
機器學習是現階段人工智慧的核心技術，是通過統計學原理，來對資料進行分析和建模
模式識別 = 機器學習
資料探勘 = 機器學習 + 資料庫
統計學習近似等於機器學習
機器視覺 = 影象處理 + 機器學習
語音識別 = 語言處理 + 機器學習
自然語言處理 = 文字處理 + 機器學習
（二）機器學習
機器學習的基本方法 -------資料訓練
機器學習的基本思想： 通過大量的資料學習，找到一定規律（這個規律稱作是模型），當有新的資料出現時，再將新的資料帶入模型
優點：1） 速度快
2） 高度抽象，簡單易學
缺點：1） 極度依賴資料
2） 模型的好壞至關重要
現階段的主流基於統計的人工智慧演算法，是通過大量的案例，靠對資料的特徵進行歸類，來實現識別的效果。這個做法稱作是 」羅素雞「
那麼，如何克服呢？
-----採用深度學習和強化學習
普通機器學習： 乙個公式， 一層推導，比較直接
深度學習與普通的機器學習的區別： 通過更高的複雜度，加強了讓機器自我歸納總結的能力，並且通過規則的設計，讓演算法的擴充套件性更大
強化學習與普通的機器學習區別： 強化學習模擬人的認知過程，加入了評價系統
機器學習的基本步驟
機器學習系統的分類：
根據訓練期間接受的 監督數量和監督型別分為： 監督式，無監督式，半監督式學習和強化學習
1）監督式： 提供給演算法的包含所需解決方案的訓練資料，稱為標籤或者標記
（監督式學習的演算法： k-近鄰演算法，線性回歸，邏輯回歸，支援向量機，決策樹和隨機森林，神經網路）
2）無監督式學習： 無監督式學習的訓練資料都是未經標記地的。系統會在沒有老師的情況下進行學習。（無監督式學習演算法: 聚類演算法，k-平均演算法，分層聚類分析，最大期望演算法）
3）半監督式學習： 通常是大量未標記的資料和少量標記的資料。（大多數半監督式學習演算法是無監督式和監督式演算法的結合。 eg ： 深度信念網路）
4）強化學習： 強化學習的學習系統（在其語言境中稱作是智慧型體）能夠觀察環境，做出選擇，執行操作，並且獲得回報（reward），或者是以負面回報的形式獲得懲罰，所以它自己必須自行學習什麼是最好的策略，從而隨著時間推移獲得最大的回報
1）批量學習： 系統無法進行增量學習—— 必須要通過所有可用的資料進行訓練。這需要大量的時間和計算資源。所以通常都是離線完成的。
根據機器學習系統如何泛化可以分為：基於例項和基於模型的學習
1）基於例項的學習
系統先完全記住學習示例，然後通過某種相似度度量方式將其泛化到新的例項
2）基於模型的學習
系統先構建這些示例的模型，然後使用該模型進行**
執行緒基本資訊
六 執行緒基本資訊 isalive 判斷執行緒是否還 活 著，即執行緒是否還未終止 getpriority 獲得執行緒的優先順序資料 setpriority 設定執行緒的優先順序資料 優先順序 概率，不是絕對的優先順序 max priority 10 noem priority 5 預設 min p...
dmesg 基本資訊
dmesg cn s 緩衝區大小 引數說明 c 顯示資訊後，清除ring buffer中的內容。s 緩衝區大小 預設定為8196，剛好等於ring buffer的大小。n 設定記錄資訊的層級。dmesg more dmesg less dmesg grep dmesg head 20 dmesg t...
mysql基本資訊
my qsql不區分大家小寫 展示資料庫e show database 使用資料庫 use 資料庫名 建立資料庫 create database 資料庫名 展示表 show tables 建立表 create table 表名 欄位名 資料型別，欄位名 資料型別 刪除表 1 drop table 表...