机器学习与人工智能：一场革命性的变革

机器学习与人工智能：一场革命性的变革

人工智能的概述什么是机器学习定义解释

数据集结构机器学习应用场景

人工智能的概述

1956年8月，在美国汉诺斯小镇宁静的达特茅斯学院中，约翰·麦卡锡（John McCarthy）、马文·闵斯基（MarvinMinsky，人工智能与认知学专家）、克劳德·香农（Claude Shannon，信息论的创始人）、艾伦·纽厄尔（AllenNewell，计算机科学家）、赫伯特·西蒙（Herbert Simon，诺贝尔经济学奖得主）等科学家正聚在一起，讨论着一个完全不食人间烟火的主题：用机器来模仿人类学习以及其他方面的智能，会议足足开了两个月的时间，虽然大家没有达成普遍的共识，但是却为会议讨论的内容起了一个名字：人工智能，因此，1956年也就成为了人工智能元年。

达特茅斯会议-人工智能的起点

人工智能、机器学习与深度学习的关系机器学习是人工智能的一个实现途径深度学习是机器学习的一个方法发展而来

什么是机器学习

定义

汤姆·米切尔（Tom M.Mitchell，机器学习之父）：A computer program is said to learn from experienceE with respect to some class of tasks T and performance measure P if its performance at tasks in T, asmeasured by P, improves with experience E.

假设用性能度量P来评估机器在完成某类任务T的性能，如果该机器利用经验E（即数据D）在任务T中改善了其性能度量P，那么可以说机器对经验E进行了学习，即机器学习 机器学习是从历史数据中分析获得算法模型，并利用算法模型对未知数据进行预测.

解释

我们人从大量的日常经验中归纳规律，当面临新的问题的时候，就可以利用以往总结的规律去分析现实状况，采取最佳策略。

从数据（大量的猫和狗的图片）中自动分析获得模型（辨别猫和狗的规律），从而使机器拥有识别猫和狗的能力。

从数据（房屋的各种信息）中自动分析获得模型（判断房屋价格的规律），从而使机器拥有预测房屋价格的能力。

数据集结构

从历史数据中获得规律？那么历史数据是什么样的格式？

数据集结构：特征值+目标值 每行数据，称为样本(sample)或实例(instance)研究对象的性质，例如面积、位置、楼层、朝向，称为特征(feature)或输入(input)特征的具体数值，例如【样本1】对应的80、9、3、0，称为特征值(feature value)样本的结果信息，例如【样本1】的房价为80，称为标签(label)或目标(target)或输出(output)从数据中学习得到模型的过程称为学习(learn)或训练(train)用于训练模型的样本数据集称为训练集(train set)用于测试模型的样本数据集称为测试集(test set)

注意：有些数据集可以没有目标值

机器学习应用场景

机器学习的应用场景非常广泛，可以说渗透各行各业，例如医疗、航空、教育、物流、电商等领域的各种场景

用在挖掘、预测领域： 应用场景：店铺销量预测、量化投资、广告推荐、企业客户分类等 用在图像领域： 应用场景：街道交通标志检测、人脸识别等 用在自然语言处理领域： 应用场景：文本分类、情感分析、自动聊天、文本检测等

参考文章