工業(yè)革命是讓機器干人干不了事，智能革命是讓機器干人能干的事
機器學習是一門需要不斷實驗和試錯的科學，擁有大量的數(shù)據(jù)幾乎比擁有一個好的算法還要重要，沒有一個機器學習模型能夠?qū)λ械膯栴}都是最有效的。
人工智能、機器學習、深度學習之間的關(guān)系
人工智能（AI）
強化學習（Reinforcement Learning）
在這種學習模式下，輸入數(shù)據(jù)作為對模型的反饋，不像監(jiān)督模型那樣，輸入數(shù)據(jù)僅僅是作為一個檢查模型對錯的方式，在強化學習下，輸入數(shù)據(jù)直接反饋到模型，模型必須對此立刻作出調(diào)整。常見的強化學習算法有時間差學習。
強化學習解釋
遷移學習
遷移學習會讓機器學習在這些非常珍貴的大數(shù)據(jù)和小數(shù)據(jù)上的能力全部釋放出來。
遷移學習是深度學習與強化學習的結(jié)合體，能夠?qū)⑦m用于大數(shù)據(jù)的模型遷移到小數(shù)據(jù)上，實現(xiàn)個性化遷移，這樣一來能夠避免數(shù)據(jù)寡頭的出現(xiàn)。
當今全世界都在推動遷移學習，當今 AAAI 中大概有 20 多篇遷移學習相關(guān)文章，而往年只有五六篇。與此同時，如吳恩達等深度學習代表人物也開始做遷移學習。為什么呢？因為要在一個領(lǐng)域找到高質(zhì)量的數(shù)據(jù)非常難，而把現(xiàn)成的模型用在高質(zhì)量數(shù)據(jù)量少的領(lǐng)域則是非常好的解決方案。
數(shù)據(jù)挖掘
數(shù)據(jù)挖掘在通過算法得到的結(jié)果上，采用描述性統(tǒng)計學解釋問題
從0 到 1，機器學習入門指南
從0 到 1，機器學習入門指南介紹的內(nèi)容為：
- 什么是機器學習？（房屋價格預測）
- 機器學習的求解過程（初始化->計算結(jié)果->求解最小成本）
- 什么是神經(jīng)網(wǎng)絡(luò)？
- 神經(jīng)網(wǎng)絡(luò)記錄狀態(tài)（超級馬里奧、單詞預測）
- 卷積神經(jīng)網(wǎng)絡(luò)（手寫字符識別）
- 算法評估（）
- 人臉識別的例子
