技巧:驾校学了一下深度学习，感觉非常有用！

　　技巧:驾校学了一下深度学习，感觉非常有用！

　　采集相关文章在公众号【ai三分钟】，或者私信我。今天，趁寒假，在驾校学了一下深度学习，感觉非常有用，所以决定写一篇总结性的文章，记录一下，学习总结。下面，正式开始：1.机器学习简介机器学习（machinelearning，ml）是研究、设计、训练、使用和部署深度学习模型的技术。机器学习可以分为监督学习、非监督学习以及强化学习。

　　监督学习采用标签作为训练数据；非监督学习则是利用已知的训练数据分布和数据标签采用函数进行优化；强化学习是预测问题中的不确定性进行学习。理解监督学习，推荐黄哥的文章《统计学习方法》，强烈推荐王希老师的讲义《机器学习基石》，感谢黄哥分享的经典视频和文章。目前，最火的机器学习模型就是深度学习，其核心思想就是训练数据（有标签的训练数据）和模型（有深度层）之间的关系，取得训练数据和模型之间的拟合程度。

　　但是，训练数据和模型并不是独立的事物，而是相互依赖的。为了获得训练数据，需要利用特征来预测结果。也就是说，获得了训练数据，就会利用目标函数（更精确的说，f(x)）和数据集的分布（无论正交还是奇异）来预测结果。也就是说，必须将训练数据的分布嵌入到模型中，使得模型能够对其进行推理。推理过程是需要大量的数据，也就是数据挖掘。

　　因此，很多机器学习模型是设计出来的，可以大大的节省训练数据。例如，决策树，关键是机器学习算法需要对目标函数进行划分，用某种分类算法将分类器的特征和分布嵌入到训练数据中。但是，一个算法只有在经过正确的划分之后才能进行预测，不能随意进行划分。即，机器学习算法没有用训练数据，无法推导出模型。因此，有些时候一个大型机器学习算法会把一些较小的训练数据集集成进其中（当然，这也是最近几年才出现的）。

　　人工智能，则是一个技术，不需要规律性的训练数据，而是通过大量的经验，通过不断的训练，才能通过拟合对目标函数进行推理。2.贝叶斯学习贝叶斯学习（bayesianlearning）提供一种用来建模和分析未知数据的方法。贝叶斯学习方法将联想（theoretical）的结果与直觉（instinct）的结果相结合，通过概率论和统计方法研究未知的、原始数据和理论进行推理的方法。

　　贝叶斯方法先假设已知条件和未知条件，联想方式是当事件发生时决定决定事件与决定的性质，当事件不发生时决定决定未知数据的性质。联想方式的重要性取决于联想决定过程的准确程度以及拟合的图形是否是高维的。贝叶斯方法给出两种先验分布的一个方法，以及两种方法之间的关系的预测。这一方法可能是有用的，也可能是无用的。先验分布的。