机器学习中比较活跃的四大应用领域
数据挖掘
用机器学习方法，发现数据之间的关系
计算机视觉
用机器学习方法，让计算机像人一样看懂世界
自然语言处理
用机器学习方法，让计算机像人一样看懂文字
机器人决策
用机器学习方法，让计算机像人一样具有决策能力
例如：左转方向盘，右转方向盘，紧急制动等
数据挖掘案例：
一、回归问题
回归问题的主要内容：
1. 从一组数据出发，确定某些变量之间的定量关系式；即建立数学模型并估计未知参数。
2. 检验这些关系式的可信任程度。
3. 在多个自变量影响一个因变量的关系中，判断自变量的影响是否显著，将影响显著的选入模型中，剔除不显著的变量。
4. 利用所求的关系式对某一过程进行预测或控制。
案例1：根据一个人体检指标：求数学函数f（sex,age,protein,……,lymphocyte）=Blood Glucose;
此函数为连续型的多维概率密度函数，得到的是血糖的连续值。
二、分类问题
通过建立函数将样本离散化，实质就是回归问题的离散化结果。0
案例2：预测是否得了糖尿病
已知样本数据，求函数f(height,SNP1(基因系列）,BMI分类，……，SNPSS)=whether a person has diabetes
三、什么是机器学习
根据已知的数据，学习出一个数学函数f(x1,x2,x3,x4,……)=y使其更能够有更强的预测能力。
四、专有名词概念
机器学习模型：f
Features（特征）
Label（标记）
样本、数据集
案例：计算机视觉分类
案例三：图像分类
输入图像->输出类别
已知：输入一些实例样本，给出标签：airplane，automobile，bird，cat……
求：一个机器学习模型f,使其实现上述功能。
案例四：目标检测
让机器检测出一张图片中所有的类别，并输出类别在图片中的位置信息（矩形块圈中物体）
案例五：语义分割
给出图片：一匹马，被完整的分割出来
本质上来讲仍是分类问题，即对每个像素点进行分类。
f([xi,yi])=y ([xi,yi])代表第i个像素点
案例六：场景理解
无人驾驶领域：
无人车根据学习结果识别场景区分可驾驶区域
案例七：文本分类
一篇新闻->输入->机器学习模型->输出->类别
案例8：自动生成文本摘要
一篇文章->输入->机器学习模型->输出->摘要
案例九：翻译
输入英文->输出中文
案例十：问答
Query+text->输入->输出->答案
案例十一：人机对话
微软小冰
案例十二：image to text
输入图片->输出描述性文字
案例十三：end to end级自动驾驶
传统无人驾驶：相机+雷达->3D建模->路径规划->产生控制信号（1.感知环境2.路径规划3.控制信号）
端到端：采集图像（大量）->机器学习模型（省略了3D建模和路径规划）->控制信号
案例十四：玩赛车游戏
用程序来控制赛车，让程序玩游戏而不是人玩，使其具有决策能力。
趋势：机器人与人打。
案例十五：机器人开门
机器人通过摄像头采集信息，输出控制信号
学习过程：通过成千上万次的仿真实验模拟这个过程，使得机器掌握开门的能力。
机器学习的分类：
1.传统的监督学习/深度学习：案例1、2
2.深度学习：自然语言处理所有案例，计算机视觉所有案例，end to end 级无人驾驶13
3.深度学习+强化学习：案例14，15
学习路线：1->2->3
循序渐进
