Appearance
介绍
1. 人工智能、机器学习、深度学习的关系
机器学习是人工智能的一个子领域， 深度学习是机器学习的一个分支
2. 关键组件
机器学习中的关键组件
无论什么类型的机器学习问题，都会遇到这些组件：
机器学习组件：
3. 主要类型
机器学习的主要类型
3.1. 监督学习
老师给学生一些问题和答案，学生根据问题的特征，自己学习并预测答案。
也就是需要有带标签的数据。
监督学习主要解决问题：
- 回归： 预测具体的数值，多少
- 预测房价、天气
- 预测股票价格
- 分类： 预测离散的类别
- 预测垃圾邮件，
- 判断手写数字是 0-9 中的哪一个
- 图片分类： 预测图片所属的类别
- 语音识别： 预测语音所属的类别
3.2. 无监督学习
学生自己根据问题的特征，学习并预测答案。
给机器一堆原始数据，让机器自己发现数据中的模式。不需要预先知道答案。
无监督学习主要解决问题：
- 聚类；
- 图像分割
- 降维
- 人脸识别
- 关联规则挖掘
3.3. 强化学习
机器通过与环境的交互，学习如何执行任务。
智能体做一个动作，环境会返回一个奖励或惩罚。智能体的目标是最大化总奖励。
强化学习主要解决问题：
- 游戏： 让机器学习如何玩游戏
- 机器人： 让机器学习如何移动
- 自动驾驶： 让机器学习如何驾驶汽车
- 推荐系统： 让机器学习如何推荐商品
4. 深度学习
深度学习是机器学习的一个分支，依赖深度神经网络（如CNN、RNN）自动提取特征，特别擅长处理图像、语音、文本等非结构化数据。
和机器学习对比
机器学习是基础，适合结构化数据和中小规模任务。
深度学习是进阶，依赖大数据和算力，在非结构化数据中表现更强。
| 维度 | 机器学习 | 深度学习 |
|---|---|---|
| 数据需求 | 对数据量要求灵活，小数据集也能用。 | 需要大量数据才能发挥优势。 |
| 模型复杂度 | 模型相对简单（如决策树、SVM）。 | 模型复杂，参数多，依赖GPU/TPU训练。 |
| 应用场景 | 适合结构化数据，如金融分析、推荐系统。 | 擅长非结构化数据，如计算机视觉、自然语言处理。 |
| 可解释性 | 模型通常更易解释（如决策树）。 | 模型复杂，常被视为“黑箱”，可解释性研究在进行中。 |
深度学习的核心模型
- CNN：擅长图像处理，通过卷积核提取特征。
- RNN：处理序列数据（如文本、语音），LSTM/GRU解决长程依赖问题。
- Transformer：基于自注意力机制，在NLP领域表现突出。
主流框架概览
TensorFlow是由Google Brain团队开发的一个开源深度学习框架，自2015年发布以来已成为业界最受欢迎的深度学习框架之一。TensorFlow支持多种硬件设备，包括CPU、GPU和TPU，可以轻松扩展到大型分布式系统。Keras是一个高层神经网络API，它是用Python编写的，可以运行在TensorFlow、Microsoft Cognitive Toolkit、Theano等深度学习框架之上。Keras的核心思想是简单、易用、高度模块化，使得快速构建和测试神经网络变得简单PyTorch是一个基于Python的开源深度学习框架，由Facebook的AI研究团队开发。它具有灵活性和动态计算图特性，使得研究人员和开发人员能够更容易地构建和实验复杂的神经网络。PyTorch的优势在于其简洁的API设计、良好的社区支持以及易于调试的特点。
后续代码基于PyTorch框架。