什么是 Machine Learning?
机器学习是人工智能的一个分支，他的目的的在于吸收任何的数据比如说(图像，文本，语音 ，统计数据) 然后作出预测数据当中所隐藏的特征或是行为。
- 我们来看看 ML 现在都可以做些什么?
- 面部识别
- 面部特征识别
- 特征检测和替换
- 文本检测
- 物件追踪
- 机器学习到底是怎么学习的呢？
例如：我们使海量的图片来训练他什么是面部特征，最终被训练出来的结果就叫做 『训练好的模型』
再者区分猫和狗，告诉它喵喵叫的是猫，旺旺叫的是狗。这样的处的模型就能通过声音区分猫狗，这样的的也叫『训练好的模型』。 - 训练好的模型有什么用？
大家拭目以待哈哈。。。。。 - 为什么ML这么重要?
ML可以做到我们人类做的事情，他给我们的产品增加人性的感觉，使得我们的产品更佳的聪明。
最基本的元件——人工神经网络 (ANN)
- 神经网络简单地说就是用人造的方式透过数学的解析，仿造我们神经细胞的结构所做出来的一种网络。
-
人工神经网络（Artificial Neuron Network ）是基于生物的神经结构和功能的一种计算模式，这边要注意她不是一种网络，只是一种计算模式。
timg111.jpg - 那我们是怎么模仿神经元的
-
单一人工神经元简单示意图
WX20171123-153922.png
核心的那个部分就是我们处理输入的数据信息，然后整合出一个结果，在把他推出去。
-
多个神经元之间相互连接
111.png 神经网络的分层
神经网络中是有层次存在的
输入层：是我們训练他的地方，喂养他的地方。
输出层：输出结果的地方
隐藏层：中间有的时候会有很多层负责计算结果。
只有一个输入层和一个输出层，隐藏层不定。
卷积神经网络（CNN）
在机器学习中，卷积神经网络（Convolutional Neural Network）是一种反馈形式的神经网络。目前被广泛的应用在图像识别还有分类，打开你的手机相册就知道 。现今尖端的应用在于机器人还有自驾车的视觉驱动， CNN 也被成功的识别部物件，还有交通号标志。
假设你今天要从家去超市买东西，路程有点远，而且路还有很多条。
红色线路走过之后你感觉这条路不好走，下次你就换了一条
第二次
蓝色路线你感觉比上一条路好走，但是还不是太好。下次再换一条
绿色路线你感觉这条路很好走，下次你就会一直走这条路。
这三条路是否好走，线路一比线路二好走，线路二比线路三好走。
专业术语叫这条路的权重是否重，用权重来说就是：路线一的权重 < 路线二的权重 < 路线三的权重。
递归神经网络 (RNN)
递归神经网络（Recurrent Neural Network）它是一种深层次的学习模式，他跟CNN有点不同，他会在许多的神经网络的隐藏层之间反复游走，我们甚至可以说他是有记忆的。
人们在不同的的问题可以用RNN来解决，比如：语音识别、时间序列分析以及自然语言处理。现在最流行的RNNy应用是LSTM。
long short-term memory model 时间记忆模型，可以 python 打造。
-
递归神经网络就是卷积神经网络之间互相传送
Snip20171123_1.png
机器学习主流的两种模式
- 监督学习：明确的告诉符合什么条件的是什么。
- 非监督学习：不会明确告知什么条件，而是自己归类。
