人工智能入门课程学习（1）——概念介绍
文章目录1.人工智能的分类和学习介绍2.人工智能、机器学习、深度学习概念及关系2.1主要分支介绍3.人工智能发展的必备三要素（进行人工智能必需的要素）4.机器学习的一般流程4.1机器学习概念4.2流程4.1数据的获取4.2数据的基本处理4.3特征工程4.3.1特征工程包含的内容1.特征提取2.特征预处理3.特征降维5.机器学习算法介绍5.1分类：5.2监督学习和无监督学习5.3半监督学习与强化学习6.模型评估6.1分类模型评估6.2回归模型评估7.拟合7.1欠拟合7.2过拟合8.机器学习流程与微软的Azure1.人工智能的分类和学习介绍本阶段学习人工智能的主要内容包括以下的几个方面：
2.人工智能、机器学习、深度学习概念及关系三者的关系：
人工智能和机器学习，深度学习的关系机器学习是人工智能的一个实现途径深度学习是机器学习的一个方法发展而来2.1主要分支介绍通讯、感知与行动是现代人工智能的三个关键能力，在这里我们将根据这些能力/应用对这三个技术领域进行介绍：计算机视觉(CV)、自然语言处理(NLP)和机器人。在NLP领域中，将覆盖文本挖掘/分类、机器翻译和语音识别。
3.人工智能发展的必备三要素（进行人工智能必需的要素）数据算法计算力其中数据是指捕获到的原始数据，算法是解决问题的思路，计算力一般与硬件条件相关的4.机器学习的一般流程4.1机器学习概念机器学习是从数据中自动分析获得模型，并利用模型对未知数据进行预测。
4.2流程流程包含内容：1.获取数据2.数据基本处理3.特征工程4.机器学习(模型训练)5.模型评估
4.1数据的获取类型：结构化数据例如：非结构化数据如：
数据简介：在数据集中一般：
一行数据我们称为一个样本一列数据我们成为一个特征有些数据有目标值（标签值），有些数据没有目标值（如上表中，电影类型就是这个数据集的目标值）数据类型的构成：
数据类型一：特征值+目标值（目标值是连续的和离散的）数据类型二：只有特征值，没有目标值数据分割
机器学习一般的数据集会划分为两个部分：训练数据：用于训练，构建模型测试数据：在模型检验时使用，用于评估模型是否有效划分比例：训练集：70%80%75%测试集：30%20%25%4.2数据的基本处理即对数进行缺失值、去除异常值等处理
4.3特征工程特征工程是使用专业背景知识和技巧处理数据，使得特征能在机器学习算法上发挥更好的作用的过程。意义：会直接影响机器学习的效果
4.3.1特征工程包含的内容特征提取特征预处理特征降维1.特征提取特征提取：将任意数据（如文本或图像）转换为可用于机器学习的数字特征
2.特征预处理特征预处理：通过一些转换函数将特征数据转换成更加适合算法模型的特征数据过程
3.特征降维特征降维：指在某些限定条件下，降低随机变量(特征)个数，得到一组“不相关”主变量的过程
5.机器学习算法介绍5.1分类：回归问题->连续的目标值:分类问题：
5.2监督学习和无监督学习5.3半监督学习与强化学习6.模型评估模型评估是模型开发过程不可或缺的一部分。它有助于发现表达数据的最佳模型和所选模型将来工作的性能如何。按照数据集的目标值不同，可以把模型评估分为分类模型评估和回归模型评估。
6.1分类模型评估准确率预测正确的数占样本总数的比例。精确率正确预测为正占全部预测为正的比例召回率正确预测为正占全部正样本的比例F1-score主要用于评估模型的稳健性AUC指标主要用于评估样本不均衡的情况6.2回归模型评估均方根误差（RootMeanSquaredError，RMSE）RMSE是一个衡量回归模型误差率的常用公式。然而，它仅能比较误差是相同单位的模型。
相对平方误差（RelativeSquaredError，RSE）与RMSE不同，RSE可以比较误差是不同单位的模型。
平均绝对误差（MeanAbsoluteError，MAE)MAE与原始数据单位相同，它仅能比较误差是相同单位的模型。量级近似与RMSE，但是误差值相对小一些。
相对绝对误差（RelativeAbsoluteError，RAE)与RSE不同，RAE可以比较误差是不同单位的模型。
决定系数(CoefficientofDetermination)决定系数(R2)回归模型汇总了回归模型的解释度，由平方和术语计算而得。
R2描述了回归模型所解释的因变量方差在总方差中的比例。R2很大，即自变量和因变量之间存在线性关系，如果回归模型是“完美的”，SSE为零，则R2为1。R2小，则自变量和因变量之间存在线性关系的证据不令人信服。如果回归模型完全失败，SSE等于SST，没有方差可被回归解释，则R2为零。
7.拟合模型评估用于评价训练好的的模型的表现效果，其表现效果大致可以分为两类：过拟合、欠拟合。
在训练过程中，你可能会遇到如下问题：
训练数据训练的很好啊，误差也不大，为什么在测试集上面有问题呢？
当算法在某个数据集当中出现这种情况，可能就出现了拟合问题。
7.1欠拟合7.2过拟合8.机器学习流程与微软的Azure机器学习的流程就这几步:1.获取数据2.数据基本处理3.特征工程4.机器学习(模型训练)5.模型评估由于都是流程化的，在微软开发了一套可以线上部署数据集，测试，并且查看结果的系统：Azure