一、背景
在我大学毕业后，人工智能和机器学习就越来越火，频繁的出现在我的视野中。但出于本能的拖延，我视而不见。
近期，为了协同新来的同事做大数据的数据挖掘和分析，我开始逐渐了解了一些机器学习领域的专有名词，再借助自己在网上检索的一些资料，故写下这篇文章，不求深入技术实现和细节，只是大概梳理下我对机器学习领域的一个的初步认知和理解。
二、几个名词的关系
人工智能 -> 机器学习 -> 深度学习 -> 神经网络
机器学习是实现人工智能的一个专业领域，而深度学习是近期发展势头迅猛的一种机器学习的方法，而神经网络是实现深度学习的一种技术手段。
三、机器学习
1、机器学习和传统编程的区别
传统编程：定义规则和逻辑。
机器学习：你不需要编写具体复杂的逻辑算法，而是通过提供大量的相关数据，来训练它。
2、机器学习的分类
（1）监督学习
你提供输入，也提供输出。
输入指的是带有特征的特定实例，例如一封邮件的标题或正文，可能蕴含着广告关键词暴露出它是垃圾邮件。
输出指的是这个特定实例经过监督后被贴上标签，例如一封邮件被人为的贴上垃圾邮件和非垃圾邮件的标签。
例如：通过提供手写草稿来对应书面字体的 OCR 系统。
（2）无监督学习
你提供输入，但不提供输出。
因为实例不会被人为的贴上标签，系统需要更靠自己的学习能力。所以与监督学习相比，无监督的学习更接近于机器自我学习的过程。
例如：你允许机器学习算法监视你的网络活动。 然后，它将根据其找到的模式设置正常网络活动的基准。根据这个标准，它将检测并且记录异常网络活动。
（3）强化学习
当你知道目标是什么，但无法定义达到目标的路径时，此方法特别有效。
例如：Google DeepMind 的 AlphaGo，会从经验中总结提升。
（4）遗传算法
模仿大自然适者生存的法则，建立一套淘汰机制。
这个需要依赖于大量的计算和存储资源来执行其任务，执行时受限于云服务和大数据。
例如：地图中的路径规划
3、深度学习 和 神经网络
虽然机器学习是人工智能的一个分支，但深度学习是机器学习的专门分支。 深度学习使用神经网络，一个具有人类大脑结构和功能的复制品。
（1）深度学习原理
深度学习算法并不是直接通过将输入映射到输出的方式，而是依赖于几层处理单元。 每个层将其输出传递到下一个层，进行处理，然后再传递到下一层。 在某些模型中，计算可能会在处理层之间来回流动多次。虽然这个机制很像大脑的神经网络，但是还是有很实质性的不同。
（2）神经网络分类
A、卷积神经网络 CNN
用于图像识别、视频分析，语音识别， 例如 AlphaGo。
B、循环神经网络 RNN
用于写稿、作曲。
4、机器学习的工具
（1）numpy 和 pandas
科学计算库 numpy 和 pandas 是处理矩阵的好帮手。
pandas 是基于 numpy 的封装，功能更加强大。
（2）框架
TensorFlow 和 Mxnet 等
其实好一些机器学习框架也有自己处理数据的模块，但大多是通过封装 numpy 得到的。
（3）包管理工具
Anaconda 是一种 Python 语言的免费开源发行版，使用 Conda 进行包管理，帮你预装了很多机器学习常用的第三方库。例如画图库 matplotlib。
Anaconda 在 zsh 环境下安装后会有问题，需要在
~/.zprofile结尾处添加export PATH=Anaconda位置/bin:$PATH（如export PATH="/anaconda3/bin:$PATH"），即可把 conda 加入到环境变量中。
5、机器学习的缺点
（1）基于大量数据集
必须基于要大量的数据集去学习，但人类却不是这样，你给小孩看一辆自行车的样子，他就会记住自行车的特征。
（2）不透明度性
随着算法变得越来越复杂，特别是深度学习，人类越来越难以解释它们是基于什么做出的决定。
参考资料：
[《关于机器学习，这可能是目前最全面最无痛的入门路径和资源！》]( https://36kr.com/p/5109465.html](https://36kr.com/p/5109465.html )
机器学习速成课程 | Google Developers 【还没看完】