第一章绪论
人工智能
- 范围关系
- 深度学习\subset机器学习\subset人工智能
- 实现方法
- 工程学方法: 不考虑所用方法是否与人或动物机体所用的方法相同。成果如文字识别、电脑下棋
- 模拟法: 要求实现方法也和人类或生物机体所用的方法相同或相类似。成果如遗传算法、神经网络
机器学习
- 分类
- 基于学习策略的分类
模拟人脑的机器学习: 符号学习、连接学习（神经网络）
直接采用数学方法的机器学习: 统计机器学习
- 基于学习方法的分类
归纳学习: 符号归纳学习（决策树）、函数归纳学习（神经网络）
演绎学习: 通过已知的一般规律，推导出特定情况下的结论的学习方法
类比学习: 案例（范例）学习
分析学习: 解释学习、宏操作学习
- 基于学习方式的分类
监督学习: 输入数据有标签
无监督学习: 输入数据无标签
强化学习: 以环境反馈（奖/惩信号）作为输入，以统计和动态规划技术为指导
- 基于数据形式的分类
结构化学习: 结构化数据为输入，如表格
非结构化学习: 非结构化数据为输入，如文本、图片、视频
- 基于学习目标的分类
概念学习: 学习的目标和结果为概念，如示例学习。
规则学习: 学习的目标和结果为规则，如决策树。
函数学习: 学习的目标和结果为函数，如神经网络。
类别学习: 学习的目标和结果为对象类，如聚类分析。
贝叶斯网络学习: 学习的目标和结果是贝叶斯网络，其又可分为结构学习和多数学习。
- 常用算法
- 决策树算法
- 朴素贝叶斯算法
- 支持向量机算法
- 随机森林算法
- 人工神经网络算法
- Boosting与Bagging算法
- 关联规则算法
- 期望最大化算法
深度学习
- 关键技术
- 生成式深度学习: 输出为高维数据，如图片、视频
- 判别式深度学习: 提取高维数据的低维特征表示后，进行分类、回归
- 不足
流行技术