人工智能的兩大任務——預測和決策
預測包括對輸入目標的模式識別、標簽分類、回歸、預測未來數據、聚類
決策需要機器產生行動，改變狀態，如下圍棋、自動駕駛
支持人工智能的四大類技術
搜索——結合算法探索分支的好壞，從而做出決策，如下棋
推理——基于給定的知識歸納出規律完成證明、知識問答
學習——通過經驗數據對目標優化的自動化過程，如人臉識別
博弈——多個人工智能體的交互，如足球配合
可以這樣子說“學習是系統基于數據來提升既定指標分數的過程”
機器學習的三大類——監督學習、無監督學習、強化學習
監督學習：數據實例有（x，y）即特征x和標簽y，根據特征來預測標簽，由損失函數來定義性能指標。如人臉識別，關注這個人臉圖像是否準確預測對應的身份
無監督學習：沒有標簽y了，主要關注數據的分布，包含的模式。如關注人臉圖像的分布，判斷這個圖像是否包含人臉
強化學習：關注人工智能的決策問題，尋找更好的決策過程
機器學習模型的泛化能力是什么呢？
泛化能力：描述一個只能模型在沒有見過的數據上的預測能力，用泛化誤差來衡量模型的泛化能力，也就是說機器學習模型見過很多數據，對于新的數據也可以預測，就是因為經驗豐富，見過很多數據的底氣！這個叫做統計泛化能力
機器學習的模型天賦
也就是說面對不同的任務需要選擇較為準確的模型來做，怎么選擇模型呢，就要看機器學習模型的特點，也叫歸納偏置，字面大概意思就是說他們的歸納的一個偏好。也就是是模型對問題的假設是這樣子的，如果你的數據也是這樣子，那這個模型很適合。
ps：如果歸納偏置更強的模型可以更好的發現數據的模式。
神經網絡對同分布領域的數據歸納偏置高，所以在處理圖像和語音很適合，但是樹模型對混合離散的數據偏置高，就很適合做風險預測什么的。
機器學習的限制
數據限制，數據量可能很難滿足
泛化能力的限制：可能統計泛化能力不太完全滿足需要，需要組合泛化能力
使用形態限制：因為我們現在主要的是通過輸入數據訓練模型，輸出訓練好的模型
)
