機器學習
若任務a的效能可以用b度量，那麼a的效能會隨著經驗c的增加而提高，
舉例1:根據身高**體重，通過資料，能過畫出簡單斜線**，另外增加別的變數，例如性別等，新增不同**線，減少預期和實際之間的差距。
舉例2，颶風**系統，假設手裡擁有以前發生過的資料和支援颶風產生的前三個月的天氣資訊，通過資料清洗，找到產生颶風的條件，然後輸入系統**，基於結果評估其效能，將結果作為反饋多次迭代以上步驟，
總結：任務a：**颶風產生的氣象條件。
效能b:給條件下正確**颶風的次數
經驗c:系統的迭代次數
深度學習
深度學習是特殊的機器學習，通過學習將世界用巢狀的概念來表示並實現巨大的功能和靈活性，概念定義為簡單，更為抽象的表示以較為不抽象的方式來計算。
判斷正方形：
簡單的概念，四條直線
巢狀的概念層次結構：相互垂直閉合並且相等想連。
二者聯絡與區別
資料依賴性：深度學習更需要廣泛的資料
硬體支援：深度學習需要安裝gpu的高效機器
特徵處理：機器學習通常由專家將大多數特徵確定然後編碼為乙個資料結構
深度學習嘗試從資料中直接獲取高層次的特徵，深度學習消減了每乙個問題設計特徵提取器的工作，例如卷積神經網路嘗試在前面的層學習低等的特徵（邊界，線條），然後學習部分人臉，然後是高階的人臉的描述。
問題解決方式
機器學習：逐步細化，分而治之，最後結合獲取最終結果（分步驟來實現）
深度學習：提倡端對端的解決問題。
可解釋性
深度學習，盡可能的能接近到人的標準，但是不能夠給出原因，可以找出哪個深度神經網路節點被啟用了，但是不知道神經元應該是什麼模型，也不知道這些神經單元要共同做什麼，無法解釋結果。
而機器學習，則有明確的演算法和規則，很容易解釋背後的推理過程，可解釋性強。
機器學習概要
機器學習是人工只能的乙個分支。讓你使用計算機設計乙個系統使他continous clustering dimensionality reduction o svd o pca o k means categories association analysis o apriori o fp growt...
機器學習概要
機器學習主要分兩種，一種是監督學習，一種是無監督學習。監督學習 supervised learning 是一種已知樣本類別的學習方式。監督學習有兩種情況。一種是回歸。對於連續量來說，通過樣本確定其回歸的模型，求得代價最小的回歸方程，來 新的資料，這種方式稱為回歸。如 房屋成交 的 另一種是分類。對於...
機器學習一 機器學習概要
回歸 是指把實函式在樣本點附近加以近似的有監督的模式識別問題。對乙個或多個自變數和因變數之間關係進行建模，求解的一種統計方法。分類 是指對於指定的模式進行識別的有監督的模式識別問題。異常檢測 是指尋找輸入樣本ni 1i 1 n中所包含的異常資料的問題。常採用密度估計的方法 正常資料為靠近密度中心的資...