最后更新: 2024-04-17 08:59 ● 参与者查看: 454 次纠错分享参与项目词条搜索

机器学习ML与人工智能AI

## 序言
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径。

机器学习有许多不同的应用，包括线性回归、逻辑回归、决策树等算法。线性回归算法用于找一条直线，使这条直线尽可能拟合散点图中的数据点，并用于预测未来的值。逻辑回归则用于处理输出为二进制的情况，即结果只有两个可能的值。决策树则可用于回归和分类任务。

此外，机器学习在多个领域有广泛应用，例如医学领域，通过分析病例和医学数据，机器学习可以帮助医生进行疾病预测和诊断；自然语言处理领域，机器学习技术被用于机器翻译、语音识别、文本分类和情感分析等；市场营销领域，机器学习可以分析用户的购买行为和偏好，提供个性化的产品推荐和定制化的营销策略。

深度学习是机器学习中的一个重要技术，通过多层次的神经网络模型实现对数据的学习和特征提取。它在图像识别、语音识别和自然语言处理等领域取得了重大突破。

人工智能（Artificial Intelligence，简称AI）是新一轮科技革命和产业变革的重要驱动力量，它研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统，是一门新的技术科学。人工智能旨在了解智能的实质，并生产出一种能以人类智能相似的方式做出反应的智能机器。它涉及多个领域，包括机器人、语言识别、图像识别、自然语言处理、专家系统、机器学习，以及计算机视觉等。

人工智能的发展经历了多个阶段，从逻辑代数时期的数理逻辑基础，到孕育期的神经网络研究，再到后来的几波浪潮，包括感知机、专家系统、连接机制，以及深度学习等。每一次技术突破都为人工智能的进一步发展打下了坚实基础。

## 先驱课程
要学好机器学习，需要知道数学知识
微积分
概率论
矩阵
特征值与特征向量
似然函数
后概率估计
梯度
拉格朗日算子

因为机器学习是一门跨学科课程，还需要了解计算机语言，数据结构与算法，以及必要的光、电等物理知识。

## 编程语言与开发工具
深度学习首选 Python，Python 已经成为深度学习主导性的编程语言。而且，现在许多主流的深度学习框架。

例如 PyTorch、TensorFlow 也都是基于 Python 的。Anaconda 作为 Python 的一个集成管理工具，它把 Python 相关数据计算与分析科学包都集成在了一起，省去了各个安装的麻烦，非常方便。

而且，Anaconda 自带了 Jupyter Notebook，Jupyter Notebook 是一个非常强大的工具，允许使用者为数据分析、教育、文件等任何你可以想到的内容创建漂亮的交互式文档，已迅速成为数据分析、机器学习、深度学习的必备工具。

为了帮助大家更好地入门深度学习，梳理了以下知识点网络：

一、深度学习预备知识

01：深度学习概述

02：深度学习 Python 必备知识点

03：Anaconda 与 Jupyter Notebook

04：深度学习框架 PyTorch

二、 深度学习核心理论与实战

05：神经网络基础知识

06：浅层神经网络（NN）

07：项目实战：自己动手写一个神经网络模型

08：深层神经网络（DNN）

09：项目实战：让你的神经网络模型越来越深

10：优化神经网络：如何防止过拟合

11：优化神经网络：梯度优化

12：优化神经网络：网络初始化技巧与超参数调试

13：构建神经网络模型的实用建议

14：项目实战：深度优化你的神经网络模型

三、 卷积神经网络 CNN 与 循环神经网络 RNN

15：卷积神经网络（CNN）

16：项目实战：利用 PyTorch 构建 CNN 模型

17：循环神经网络（RNN）

18：项目实战：利用 PyTorch 构建 RNN 模型

子目录

1. 色彩原理RGB/HSL /HSV

2. 人眼如何识别边缘图像

3. 监督学习和无监督学习

上一篇：大学物理

下一篇：数学公式

本文对您是否有用？有用 (0) 无用 (0)