一、人工智能常见流程

人工智能就是拟人

二、人工智能基本概念

不同的学习方式

1、监督学习和无监督学习

2、强化学习

通过智能体和环境进行交互，使智能体变得越来越聪明，这个智能体会采取相对应的行为，这个行为就会对环境造成改变，智能体受到环境的反馈，从而使得智能体不断调整策略，使得智能体变得更加聪明，总的来说强化学习就是让智能体通过跟环境进行互动，然后不断的来去学习调整策略的这么一个过程

各种算法

机器学习VS深度学习

最主要的区别就是：机器学习是人为的去实现这个特征抽取的过程，而深度学习他是机器自动的进行特征的抽取和转化，为了最终可以预测识别的更准确，就是相对于机器学习来说更加的智能

深度学习对于机器学习的优势

###端到端优化 完全实现从数据输入到结果输出的全流程自动化（如Azure AutoML的端到端实验管理） ###智能特征转换 通过深度神经网络（如TabTransformer）自适应学习数据特征，较传统特征工程效率提升40%

有监督机器学习的种类

无监督机器学习的种类

三、从线性回归开始

连续值与离散值

简单线性回归

最优解

白话解释：

拿下述O型零件数据举个栗子：

用预测的函数y^=a+b*x尽可能穿过我们已知的点，但是我们点的位置实际上是固定不变的。所以那也就意味着我们这里面的y，实际上它是不变的，那变化的是预测模型的a和b。随着你的a和b变化是这个地方的y^ 就是我们的预测的值，用我们一开始就不变的，拿到手的这个真实的y与预测值y^一减就是误差，

那也就是说用我们的这个预测值和真实值，它俩之间的差异可以当成是这个误差，它误差error就是指的是预测值和真实值的一个差异O。那这个最优解是什么呢？最优解当然是想使得我们这个地方的误差越小越好

最优解由来的引入：

那这个地方就会有一个问题，就是那这个误差是不是直接我们用y^-y就可以了？当做这个误差呢，事实上并非如此，我们在现实情况下会有多个样本点。

如果你是一个点的话啊，如果你是这一个样本点的话，那这一个样本点到这个你所对应求解出的某个模型(就是下图中对应的蓝色实线)它的一个距离，那事实上这是一个样本点的误差，那如果你有多个样本点，那事实上这个地方的误差就得给它综合在一起来计算，就得给它综合在一起来计算。所以在这里面呢，是让我们会有一个综合在一起的一个误差，我们叫做整体的误差，叫做Loss.

那Loss呢？我们翻译成中文，叫做损失，那我们会通过某种Loss function。我们会通过某种Loss function损失函数，然后来把刚才咱们说提到的这个整体的误差呢，给它求解出来。事实上Loss function需要严格的数学证明和推导，而不是想当然的把所有样本点的误差(error)加到一起。这个东西详细的推导过程我们在后面会再去讲。

Loss函数的影响因素的推导：

我们的Loss函数的值事实上是跟这个y和y^有关系的，这点毋庸置疑。那它也等价于它和真实的x还有你的参数a和b实际上是有关系的，那这个东西又等价于什么呢？因为我们的x和y是你开始有拿到手的数据，那这个数据是不管你的a和b如何来变化，实际上这里面x与y的值实际上它都是不变的，所以实际上我们的Loss function所对应的值它实际上只和你的参数a和b相关，那也就是说我们要调整a和b。然后在调整过程当中去找到这个Loss最小的那个时候。找到了最小那一时刻所定的a和b，就是我们的最优解

Loss函数(MSE):

这个loss function我们往往称之为叫MSE，那公式怎么来写呢？这个mse实际上就是我们真实的y每一条样本，真实的y减去每条样本的y^。那事实上，这个i代表某一条样本,那它们一个平方再来进行一个加和。加和从第一条样本，因为你要考虑一个整体的损失嘛，从第一条样本到第m条样本，然后再去求一个平均。所以如果对于我们的线性回归来说，那我们整体损失Loss function就是这样子的。

这个式子不是凭空想出来的，而是通过严格的数学逻辑推导出来的，至于推导过程后续会讲。