機器學習基礎介紹

機器學習（Machine Learing,ML）

       概念：多領域交叉學科，設計概率論、統計學、逼近論、凸分析、演算法複雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的效能。

       學科定位：人工智慧（Artificial Intelligence,AI）的核心，是是計算機具有智慧的根本途徑。

       定義：探究和開發一系列演算法來如何使計算機不需要通過外部明顯的指示，而可以自己通過資料來學習，建模，並且利用建好的模型和新的輸入來進行預測的學科。

       學習：針對經驗E(Experience)和一系列的任務T(Tasks)和一定表現的衡量P,如果隨著經驗E的積累，針對定義好的任務T可以提高表現P，就說計算機具有學習能力

       機器學習的應用：語音識別、自動駕駛、語言翻譯、計算機視覺、推薦系統、無人機、識別垃圾郵件

       Demo:人臉識別、無人駕駛汽車、電商推薦系統

深度學習（Deep Learning,DL）

       深度學習是基於機器學習延伸出來的一個新的領域，由以人的大腦結構為後發的神經網路演算法為起源加之模型結構深度的增加發展，並伴隨大資料和計算能力的提高而產生的一系列新的演算法

深度學習被應用在影象處理與計算機視覺，自然語言處理以及語音識別等領域。

區別與聯絡

           深度學習是機器學習中的一種技術，機器學習包含深度學習。機器學習還包含其他非深度學習的技術，比如支援向量機，決策樹，隨機森林，以及關於“學習”的一些基本理論，比如，同樣都能描述已知資料的兩個不同模型，引數更少的那個對未知資料的預測能力更好（奧卡姆剃刀原理）。

            深度學習是一類特定的機器學習技術，主要是深度神經網路學習，在之前經典的多層神經網路的基礎上，將網路的層數加深，並輔以更復雜的結構，在有極大量的資料用於訓練的情況下，在很多領域得到了比其他方法更好的結果。