什麼是人工智慧？
人類用各種方式讓機器擁有與人類相仿的「智慧型」，就是人工智慧。
什麼是機器學習？
機器學習就是實現人工智慧的一種方式。
什麼是深度學習？
深度學習就是實現機器學習的一種技術。
為什麼要機器學習呢？你想啊，人類這麼聰明是為什麼，還不是因為在整個人類歷史中，人類不斷學習，所以才有現在的智慧型。既然要讓機器擁有與人類相仿的智慧型，那就讓機器去學習吧。
機器學習大概可分為兩種：有監督學習和無監督學習
有監督學習的大致過程（以識別貓為例）：
1. 資料採集（就是找一堆貓的，假設是x張，當然數量很龐大，至於多大我也不清楚）
2. 特徵提取（就是在是把貓圈起來，然後給乙個標籤：貓；而沒有圈起來的部分全部作為背景，同時也給乙個標籤：背景。當然啦，這都是在軟體上進行的）
3. 轉換：人類看是很簡單的，而機器是怎麼看圖的呢。機器看到的是由一堆數字組成的，如下圖
當然啦，數字是我亂填的。一張彩色通常是三層（rgb，即紅色red，綠色green，藍色blue）的，所以是由三張和上面的圖一樣的圖，你也可以看作是三張填滿數字的**。
當然，黑白就只有一層的，相當於只有一張**咯。**中的數字代表著顏色的程度。
假設上圖是一張黑白圖的**，第乙個小格仔數字是255，那麼這個小格的黑色程度是255（最低是0，最高是255），而我們人來看到這個格仔就是全黑的。如果這個格仔是0，那麼我們看到的這個格仔就是全白的。
4.開始學習（詳細的後面再講）
5. 當機器學習完這麼多的貓圖後，它就大概知道上面樣子的物體是貓了。
6. 學習的過程也是乙個訓練的過程
7. 然後就是測試了
什麼是測試呢？我們用了很多來讓機器知道什麼是貓，那總要知道機器學習得怎麼樣吧，就好像你上學時的測驗和考試
8.測試：也是用一堆貓圖（數量大概是x/4張）然後用來測試機器學習學習的效果
9. 根據學習的結果與真實結果作比較，通過一些公式來計算誤差，就知道學得好不好啦（好比學習的結果裡面有90%是貓，那麼訓練的效果就很好了，至於要用什麼公式來計算誤差，之後再說）
而無監督學習呢，厲害了，它不需要人來圈出那些部分是貓，它就能自己識別出什麼是貓：
它和有監督學習的最大差別在於第二點的特徵提取，因為它不用提取，因此也導致了學習的方式與有監督學習不一樣。
怎麼不一樣呢：
簡單來說就是給機器一堆貓圖和一堆狗圖，它就相似的歸為一類，自動分成了貓圖和狗圖。
怎麼算是相似呢？其實一類和另一類之間是由某種距離的，而這種距離就是關鍵。距離短的就是相似，距離長的就是不相似。
這個距離是什麼呢？舉個超級簡單的例子吧：最黑和最白，在機器看來就是0和255，那麼0和255的差距就是0-255=-255，這個差距帶入到某公式裡，就可以計算距離啦。詳細的之後再講吧。
有監督學習和無監督學習 無監督學習
一.無監督學習包含的演算法 聚類 kmeans聚類演算法 降維 pca 之所以叫無監督學習 是因為模型是從無標籤的資料開始學習，沒有目標值。二.kmeans聚類 1.聚類演算法步驟 定義 將高維資料轉化為低維資料的過程，在此過程中可能會捨棄原有資料，創造新的變數 作用 降低原始資料的維數 複雜度 損...
有監督學習和無監督學習
是否有監督 supervised 就看輸入資料是否有標籤 label 輸入資料有標籤，則為有監督學習，沒標籤則為無監督學習 這裡我參考網路資料將機器學習分為 有監督學習 無監督學習 半監督學習和強化學習四類。回歸 regression 其資料集是給定乙個函式和它的一些座標點，然後通過回歸分析的演算法...
有監督學習和無監督學習
機器學習的常用方法，主要分為有監督學習 supervised learning 和無監督學習 unsupervised learning 監督學習，就是人們常說的分類，通過已有的訓練樣本 即已知資料以及其對應的輸出 去訓練得到乙個最優模型 這個模型屬於某個函式的集合，最優則表示在某個評價準則下是最佳...