1.人工智能核心概念

1. 机器学习

1.1 Machine Learning

• Machine：不是物理机器，可以理解为：平台，系统，软件，代码 …
• Learning：学习？一个平台/系统，经历了某些过程之后，性能或得到提升，这个过程，就叫学习！！

1.2 机器学习的项目流程

• 第一步：从宏观角度来分析问题，搞定输入和输出：

  • 中英翻译器：
    • 输入：中文
    • 输出：英文
  • 房价预测：
    • 输入：房子
    • 输出：价格
  • 人脸检测：
    • 输入：图像
    • 输出：人脸
  • …

• 第二步：按照输入和输出，构建数据集！！！

  • 一行一个样本，一列一个特征（其实是一个二维表）
  • 前面放特征（输入），最后一个放标签（输出）

• 第三步：找一个机器学习算法，完成输入到输出的映射

  • 遴选一种算法
  • 把数据给算法学习
  • 完成模型的训练
  • 模型评估

• 第四步：部署算法，工程集成

• 第五步：模型不断地迭代升级

2. 算法和模型

• 算法：algorithm 抽象的：计算机执行一个任务时，具体的执行步骤！！！
• 模型：model 具体的：把算法用代码实现出来，这就是模型！！！

3. 传统算法 VS 人工智能算法：

• 传统算法：rule-based algorithm 基于规则的算法
  • 规则是人来定的！！！
  • 数学和计算机背景！！！
  • 难度很大很大！！！
  • 复杂度：时间复杂度和空间复杂度都很低！！！硬件要求很低！！！执行速度飞快！！！
  • 效果：鲁棒性差！泛化能力极弱！解释性好！
• 人工智能算法：data-based algorithm 基于数据的算法
  • 从老数据中挖掘规律：训练 train，学习 learn，拟合 fit
  • 把规律作用于新数据：推理 infer，预测 predict，测试 test
  • 难度极低，非常简单，人人可以学会！！！
  • 复杂度：时间复杂度和空间复杂度都很高！！！硬件要求极高！！！执行速度极慢！！！
  • 效果：鲁棒性好！泛化能力极强！解释性差！

4. 数据科学三剑客：

• NumPy：科学计算的（向量化计算，矩阵化）
• Matplotlib：数据可视化（一行代码绘图）
• Pandas：二维表数据分析神器（人工智能中几乎不用）

5. 数学知识：

• 高等数学：做优化的（梯度下降法）
• 概率论和数理统计：做建模思想
• 线性代数和矩阵论：高性能科学计算