人工智能笔记.txt

简介
	时间，作者，定义
	官网
	版本
适用性
开发
	环境
	结构
	命令
语法
	变量
	引号和转义字符
	注释
	运算符与表达式
	语句
		逻辑控制语句
	函数
	对象
	异常

人工智能(AI):
  机器学习(ML): 一种实现人工智能的方法
    深度学习(DL): 一种实现机器学习的技术

  kaggle: 数据挖掘竞赛的网站, 有公开的数据集
  库:
    Numpy: 科学计算库
    Pandas: 数据分析处理库
    Matplotlib: 数据可视化库
    Seaborn: 可视化
  算法:
    线性回归算法:
    梯度下降策略:
    逻辑回归算法:
    决策树算法:
    集成算法和随机森林
    贝叶斯算法:
    向量机:
    聚类算法: Kmeans, DBSCAN




机器学习:
  说明: 
    机器学习是关于如何让机器可以更好地处理某些特定任务的理论. 它从数据中学习, 而不是将规则进行清晰的编码
  作用:
    数据挖掘, 图像识别, 语音识别和自然语言处理, 计算机视觉
  分类: 以下标准并不相互排斥, 可以任意结合
    是否在人类监督下训练:
      1.监督式学习
        K-临近算法
        线性回归
        逻辑回归
        支持向量机
        决策树和随机森林
        神经网络
      2.无监督式学习
        聚类算法
        k-平均算法
        分层聚类分析
        最大期望算法
        可视化和降维
        主成分分析(PCA)
        核主成分分析(kernel PCA)
        局部线性嵌入(LLE)
        t-分布式随机近临嵌入(t-SNE)
        关联规则学习
        Apriori
        Eclat
      3.半监督式学习
        大多数半监督式学习算法是无监督式和监督式算法的结合
      4.强化学习
    是否可以动态地进行增量学习
      1.在线学习
      2.批量学习
    是简单的将新的数据点和已知的数据点进行匹配还是将训练数据进行模式检测, 然后建立一个预测模型
      1.基于实例的学习
      2.基于模型的学习
  难点:
    1.训练数据的数量不足
    2.训练数据不具代表性
    3.质量差的数据
    4.无关特征
    5.训练数据过度拟合
    6.训练数据拟合不足

深度学习: