人工智能的概述

1956年8月，在美國漢諾斯小鎮寧靜的達特茅斯學院中，約翰·麥卡錫（John McCarthy）、馬文·閔斯基（MarvinMinsky，人工智能與認知學專家）、克勞德·香農（Claude Shannon，信息論的創始人）、艾倫·紐厄爾（AllenNewell，計算機科學家）、赫伯特·西蒙（Herbert Simon，諾貝爾經濟學獎得主）等科學家正聚在一起，討論著一個完全不食人間煙火的主題：用機器來模仿人類學習以及其他方面的智能，會議足足開了兩個月的時間，雖然大家沒有達成普遍的共識，但是卻為會議討論的內容起了一個名字：人工智能，因此，1956年也就成為了人工智能元年。

達特茅斯會議-人工智能的起點

• 人工智能、機器學習與深度學習的關系
• 機器學習是人工智能的一個實現途徑
• 深度學習是機器學習的一個方法發展而來

什么是機器學習

定義

湯姆·米切爾（Tom M.Mitchell，機器學習之父）：A computer program is said to learn from experienceE with respect to some class of tasks T and performance measure P if its performance at tasks in T, asmeasured by P, improves with experience E.

假設用性能度量P來評估機器在完成某類任務T的性能，如果該機器利用經驗E（即數據D）在任務T中改善了其性能度量P，那么可以說機器對經驗E進行了學習，即機器學習
機器學習是從歷史數據中分析獲得算法模型，并利用算法模型對未知數據進行預測.

解釋

我們人從大量的日常經驗中歸納規律，當面臨新的問題的時候，就可以利用以往總結的規律去分析現實狀況，采取最佳策略。

從數據（大量的貓和狗的圖片）中自動分析獲得模型（辨別貓和狗的規律），從而使機器擁有識別貓和狗的能力。

從數據（房屋的各種信息）中自動分析獲得模型（判斷房屋價格的規律），從而使機器擁有預測房屋價格的能力。

數據集結構

從歷史數據中獲得規律？那么歷史數據是什么樣的格式？

1. 數據集結構：特征值+目標值
   
2. 每行數據，稱為樣本(sample)或實例(instance)
3. 研究對象的性質，例如面積、位置、樓層、朝向，稱為特征(feature)或輸入(input)
4. 特征的具體數值，例如【樣本1】對應的80、9、3、0，稱為特征值(feature value)
5. 樣本的結果信息，例如【樣本1】的房價為80，稱為標簽(label)或目標(target)或輸出(output)
6. 從數據中學習得到模型的過程稱為學習(learn)或訓練(train)
7. 用于訓練模型的樣本數據集稱為訓練集(train set)
8. 用于測試模型的樣本數據集稱為測試集(test set)

注意：有些數據集可以沒有目標值

機器學習應用場景

機器學習的應用場景非常廣泛，可以說滲透各行各業，例如醫療、航空、教育、物流、電商等領域的各種場景

用在挖掘、預測領域：
應用場景：店鋪銷量預測、量化投資、廣告推薦、企業客戶分類等
用在圖像領域：
應用場景：街道交通標志檢測、人臉識別等

用在自然語言處理領域：
應用場景：文本分類、情感分析、自動聊天、文本檢測等