人工智慧，機器學習，神經網路，深度學習的關係
目錄
剛剛接觸人工智慧的內容時，經常性的會看到人工智慧，機器學習，深度學習還有神經網路的不同的術語，一個個都很高冷，以致於傻傻分不清到底它們之間是什麼樣的關係，很多時候都認為是一個東西的不同表達而已，看了一些具體的介紹後才漸漸有了一個大體的模型。
機器學習
機器學習是人工智慧最重要的內容，先來看看它的一個定義（當然有很多不同的定義）： “Machine learning is the idea that there are generic algorithms that can tell you something interesting about a set of data without you having to write any custom code specific to the problem. Instead of writing code, you feed data to the generic algorithm and it builds its own logic based on the data.
有監督學習和無監督學習
這兩個概念也是剛剛接觸機器學習經常碰到的概念，通俗/簡單點來說，所謂有監督學習就是訓練用歷史資料是既有問題又有答案，而無監督學習就是訓練用歷史資料是隻有問題沒有答案。 正式的說法一般是把答案稱之為標籤label 還有一種介於兩者之間的混合學習方法，稱為半監督學習
在無監督學習中，主要是發現數據中未知的結構或者是趨勢。雖然原資料不含任何的標籤，但我們希望可以對資料進行整合（分組或者聚類），或是簡化資料（降維、移除不必要的變數或者檢測異常值）。因此無監督演算法主要的分類包含： - 聚類演算法 (代表：K均值聚類，系統聚類) - 降維演算法 （代表：主成份分析PCA，線性判斷分析LDA）
有監督學習，可以根據預測變數的型別再細分。如果預測變數是連續的，那這就屬於迴歸問題。而如果預測變數是獨立類別（定性或是定類的離散值），那這就屬於分類問題了。因此有監督學習主要的分類包含： - 迴歸演算法 (線性迴歸，最小二乘迴歸，LOESS區域性迴歸，神經網路，深度學習） - 分類演算法（決策樹，支援向量機，貝葉斯，K-近鄰演算法，邏輯迴歸，隨機森林）
這裡面提到了很多的演算法，目前還不需要一一去掌握，相信在今後的學習中會經常看到，先混個眼熟：）
這些所有的演算法中，目前最熱的恐怕是深度學習了，但要了解深度學習必須先了解它的前任（前生，父類）。
神經網路
關於神經網路的介紹在網上有很多很多了，有不少大牛的介紹和課程，本人主要參考/推薦如下： 神經網路淺講：從神經元到深度學習 用平常語言介紹神經網路 因此不再贅述細節，做了一個不完全的總結圖： 
好了，大體的一個機器學習的最最基本的概念總結完畢，其實學習這些基本概念還是比較簡單方便的，畢竟我們有強大的搜尋引擎，只要輸入“機器學習”就能得到海量的知識讓我們去學習，不過對於剛開始的初學者來說，先淺嘗即止即可，有了一個框架性的瞭解，為後續的深入學習做準備。