第一阶段任务
第一节第一天学习内容 01 机器学习绪论
导师jin？今天讲解第一阶段第一章节绪论的部分。面向基础薄弱，对人工智能行业背景不是很了解的入门学员。认真听。内容主要三个大部分。一个核心内容，两个简单介绍。
第一部分 机器学习的４大应用领域及其案例
数据挖掘（发现数据之间的关系）
案例１血糖预测。计算血糖值和体检信息的关系。是回归问题。因为血糖是连续值。 案例２有无糖尿病预测。计算有无糖尿病和体检信息的关系，是离散值。是分类问题。应为有和无是１和０的问题。都是有机器学习的方法求出一个数学函数。计算机视觉(象人一样看懂世界)
案例３图像分类。求一个机器学习模型f,使其原始图像输入通过机器学习模型到label输出。还有案例４目标检测。分类＋检测出坐标信息。也是求一个机器学习模型f函数。数据集都是人工标注的。庞大的工程。大机构在做这个事情。案例５语义分割。本质也是分类问题，即对每个像素点进行分类。把马从草里彻底分割出来。还有案例６场景理解任务，也是语义分割的一种。无人车根据此场景规划可行区域。自然语言处理(看懂文字)
案例７．文本分类任务。根据一篇新闻输入到机器学习模型，输出类别为政治体育还是科技。案例８．自动生成文本摘要。案例９．一句英文翻译成中文。案例１０问答任务。案例１１人机对话。一句话输入，输出一句话。案例１２．图片到文本描述。机器人决策(象人一样决策)
案例１３endtoend自动驾驶。端到端。案例１４玩赛车游戏。截屏－机器学习模型－控制车辆到达下一个状态。案例１５机器人开门。
第二部分 机器学习的理论部分
由哪几个重要的小学科组成？
机器学习两大基本问题：回归问题和分类问题。什么是机器学习？是根据已知的数据，学习出一个数学函数f(x1,x2,....xn)=y使其能够有更强的预测能力。一些专有名词概念有：f函数就是机器学习模型。features就是特征，那些体检信息身高等。血糖值是label。而机器学习就是根据已知数据集，求一个features到label的数学函数。样本就是一条数据一条样本。所有数据的集合就是数据集。
三大理论：深度学习（自然语言处理，计算机视觉，案例13。）、强化学习(案例14.15包括深度学习)、传统的监督学习（案例１,2）。
建议路线：传统的监督算法----深度学习---强化学习
建议准则：循序渐进。不要一开始就试图看懂一本书或一套视频的所有知识点。
第三部分 简单介绍训练营的学习规则以及我们的要求
１.先学重点再突破难点。对西瓜书重点和实用章节进行选择。先学习好这些重点，再去突破难点不常用点。
- 重排西瓜书的学习顺序。由浅入深。
- 学习过程进行详细安排。严格分为６个学习阶段。
- 知识点融入比赛。
