機器學習是人工智慧的子集。
人工智慧是最早出現的，也是最大、最外側的矩形；其次是機器學習，稍晚一點；
最內側，是深度學習，當今人工智慧大**的核心驅動。
人工智慧可以分為強人工智慧和弱人工智慧。
機器學習是一種實現人工智慧的方法。
機器學習最基本的做法，是使用演算法來解析資料、從中學習，然後對真實世界中的事件做出決策和**。與傳統的為解決特定任務、硬編碼的軟體程式不同，機器學習是用大量的資料來「訓練」，通過各種演算法從資料中學習如何完成任務。
機器學習直接**於早期的人工智慧領域。
傳統演算法包括決策樹學習、推導邏輯規劃、聚類、強化學習和貝葉斯網路等等。
深度學習是更深層次的神經網路,是一種機器學習的技術。
人工神經網路（artificial neural networks）是早期機器學習中的乙個重要的演算法，歷經數十年風風雨雨。神經網路的原理是受我們大腦的生理結構——互相交叉相連的神經元啟發。但與大腦中乙個神經元可以連線一定距離內的任意神經元不同，人工神經網路具有離散的層、連線和資料傳播的方向。
例如，我們可以把一幅影象切分成影象塊，輸入到神經網路的第一層。在第一層的每乙個神經元都把資料傳遞到第二層。第二層的神經元也是完成類似的工作，把資料傳遞到第三層，以此類推，直到最後一層，然後生成結果。
每乙個神經元都為它的輸入分配權重，這個權重的正確與否與其執行的任務直接相關。最終的輸出由這些權重加總來決定。這裡的「深度」就是說神經網路中眾多的層。
一般來說，機器學習可以分為監督式機器學習，半監督式機器學習，非監督式學習和強化學習。下面一一介紹：
非監督式機器學習
半監督式機器學習
強化學習
基本網路結構如下圖所示：
監督式學習就好比你在學習的時候，有乙個導師在旁邊指點，他知道怎麼是對的怎麼是錯的。
強化學習會在沒有任何標籤的情況下，通過先嘗試做出一些行為得到乙個結果，通過這個結果是對還是錯的反饋，調整之前的行為，就這樣不斷的調整，演算法能夠學習到在什麼樣的情況下選擇什麼樣的行為可以得到最好的結果。
兩種學習方式都會學習出輸入到輸出的乙個對映。
監督式學習出的是輸入輸出之間的關係，可以告訴演算法什麼樣的輸入對應著什麼樣的輸出。
強化學習出的是給機器的反饋 reward function，即用來判斷這個行為是好是壞。
非監督式不是學習輸入到輸出的對映，而是模式。
例如在向使用者推薦新聞文章的任務中，非監督式會找到使用者先前已經閱讀過類似的文章並向他們推薦其一，而強化學習將通過向使用者先推薦少量的新聞，並不斷獲得來自使用者的反饋，最後構建使用者可能會喜歡的文章的「知識圖」。
分類，是指預先知道類別的數量，將資料分配到特定的一類。比如，在一堆貓狗資料集中，將其分類，就是分成貓和狗這兩類。
聚類，事先並不知道任何樣本的類別標號，希望通過某種演算法來把一組未知類別的樣本劃分成若干類別。比圖，一群動物的裡面，進行聚類，可以按照有四腿的，有翅膀的，膚色是黑色的等等特徵進行聚類。
聯結主義—-> 起源於審計學
進化主義—-> 起源於進化生物學
貝葉斯主義—-> 起源於統計學
類推主義-—> 起源於心理學
分類演算法的舉例：
回歸演算法的介紹
回歸問題通常是用來**乙個值，如**房價、未來的天氣情況等等。
本質是擬合曲線，進行**~
回歸演算法的舉例：
聚類演算法
整合演算法
Docker極簡入門
我有幾張阿里雲幸運券分享給你，用券購買或者公升級阿里雲相應產品會有特惠驚喜哦！把想要買的產品的幸運券都領走吧！快下手，馬上就要搶光了。root chatdevops yum y install docker root chatdevops docker version docker version ...
django極簡入門
django極簡入門 i.安裝python環境 ii.安裝django pip install djangoiii.建立django專案資料夾 django admin startproject myprojectiv.在專案資料夾內，如myproject myproject，建立視 件，如view...
Shell極簡入門
簡單shell案例 使用vim建立乙個檔案hello.sh 首行新增宣告，使用的是 bin目錄下的bash直譯器，因為linux有很多的直譯器 bin bash 然後新增上一句 echo hello 按 輸入wq 儲存退出 為檔案新增可執行許可權 控制台輸入以下內容 chmod x hello.sh...