姓名：崔少杰 学号：16040510021
转载自：//www.greatytc.com/p/6ae497a5a3ec=有修改
【嵌牛导读】：“机器学习”、“深度学习”、“神经网络”等等一系列名词随着人工智能的发展而涌现
【嵌牛鼻子】：机器学习、深度学习、分类、聚集、关联、决策树、神经网络、增强学习
【嵌牛提问】：如何恰当地理解人工智能？
【嵌牛正文】：1、机器学习
机器学习，现在较为公认的说法是根据卡内基梅陇大学汤姆·米歇尔教授对机器学习的定义，指出机器学习是研究如何打造根据经验自动改善的计算机程序。机器学习是跨多学科、多领域的，结合了计算机、统计学等等知识，现在应用较多于人工智能、数据挖掘和计算机视觉等。
2、深度学习
说完机器学习，那什么是深度学习？听起来深度就让人觉得有点畏惧，但深度学习是一种独特的机器学习的算法，主要是应用了深度神经网络架构、技术来解决问题。
3、分类
分类一般是建模型的算法，将数据分门别类，按照一定规则进行区分。通过预先进行标记分类别，在模型中输入类别未经标记的数据库，让模型基于它从训练数据库中所学到的知识，来预测新数据的类别。最大的特点就是需要明确标记。
4、聚集
数据个体的分组原则会遵循大化组内相似度、最小化组与组之间的相似度这一个原则。聚集跟分类不同之处在于无需进行标记分类，更多是通过观察来进行学习算法，常见的有K-means聚集。
5、关联
关联的概念，通过购物车分析会比较明晰，各大电商的推荐购买、或是组合购买之类的动作都是通过机器算法那通过识别物品与物品之间的关联、消费者购买记录等综合分析而来，关联是购物篮分析的一种概括归纳，与分类相似，除了任何特性都可以在关联中被预测到。Apriori算法被称为最知名的关联算法。
6、决策树
决策树是我们较常使用的一种分类方法，逐层递进。决策树由两种任务组成：归纳和修剪。归纳是用一组预先分类的数据作为输入，判断最好用哪些特性来分类，然后将数据库分类，基于其产生的分类数据库再进行递归，直到所有的训练数据都完成分类。打造树的时候，我们的目标是找到特性来分类，从而创造出最纯粹的子节。
不过，有时一个完整的决策树模型可能过于复杂，包含不必要的结构，而且很难解读。因而我们还需要“修剪”这个环节，将不需要的结构从决策树中去除，让决策树更加高效、简单易读并且更加精确。
7、神经网络
神经网络这里不是指人的大脑，而是指计算机当中有无数个互相连接的概念化人工神经元组成，通过神经元传输数据，靠着神经网络的经验判断进行权重区分定义。“神经元”有激活阈值。
8、增强学习
增强学习是根据情景场景而定，寻找最佳的模式取得最大优化奖励，最大特点就是不断尝试、验证成果、然后就进行优化学习等过程，有点类似我们玩游戏，不断尝试、使用技能、总结方法来提升自己，最后有个攻略。
机器学习，深度学习，这些名词更多是概念，真正实践更易于理解当中的区别，也会让大家有个直观的感受，并不是那么难理解。
（更多大数据与商业智能领域干货、兼职机会及行业资源分享等请关注大圣众包平台，或添加大圣花花个人微信号（dashenghuaer)，拉你入bigdata&BI交流群330648564。)
