机器学习基础介绍

机器学习（Machine Learing,ML）

概念：多领域交叉学科，设计概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

学科定位：人工智能（Artificial Intelligence,AI）的核心，是是计算机具有智能的根本途径。

定义：探究和开发一系列算法来如何使计算机不需要通过外部明显的指示，而可以自己通过数据来学习，建模，并且利用建好的模型和新的输入来进行预测的学科。

学习：针对经验E(Experience)和一系列的任务T(Tasks)和一定表现的衡量P,如果随着经验E的积累，针对定义好的任务T可以提高表现P，就说计算机具有学习能力

机器学习的应用：语音识别、自动驾驶、语言翻译、计算机视觉、推荐系统、无人机、识别垃圾邮件

Demo:人脸识别、无人驾驶汽车、电商推荐系统

深度学习是基于机器学习延伸出来的一个新的领域，由以人的大脑结构为后发的神经网络算法为起源加之模型结构深度的增加发展，并伴随大数据和计算能力的提高而产生的一系列新的算法

深度学习被应用在图像处理与计算机视觉，自然语言处理以及语音识别等领域。

深度学习是机器学习中的一种技术，机器学习包含深度学习。机器学习还包含其他非深度学习的技术，比如支持向量机，决策树，随机森林，以及关于“学习”的一些基本理论，比如，同样都能描述已知数据的两个不同模型，参数更少的那个对未知数据的预测能力更好（奥卡姆剃刀原理）。

深度学习是一类特定的机器学习技术，主要是深度神经网络学习，在之前经典的多层神经网络的基础上，将网络的层数加深，并辅以更复杂的结构，在有极大量的数据用于训练的情况下，在很多领域得到了比其他方法更好的结果。