达特茅斯会议-人工智能的起点

1956年8月，在美国汉诺斯小镇宁静的达特茅斯学院中，

约翰·麦卡锡（John McCarthy）

马文·闵斯基（Marvin Minsky，人工智能与认知学专家）

克劳德·香农（Claude Shannon，信息论的创始人）

艾伦·纽厄尔（Allen Newell，计算机科学家）

赫伯特·西蒙（Herbert Simon，诺贝尔经济学奖得主）等科学家正聚在一起，讨论着一个完全不食人间烟火的主题：

用机器来模仿人类学习以及其他方面的智能。

会议足足开了两个月的时间，虽然大家没有达成普遍的共识，但是却为会议讨论的内容起了一个名字：人工智能

因此，1956年也就成为了人工智能元年。

用在图像领域：

应用场景：街道交通标志检测、人脸识别等等

用在自然语言处理领域：

应用场景：文本分类、情感分析、自动聊天、文本检测等等

1.2 什么是机器学习

1.2.1 定义

机器学习是从数据中自动分析获得模型，并利用模型对未知数据进行预测。

1.2.2理解

人类从大量的日常经验中归纳规律，当面临新的问题的时候，就可以利用以往总结的规律去分析现实状况，采取最佳策略。

例如：

• 从数据（大量的猫和狗的图片）中自动分析获得模型（辨别猫和狗的规律），从而使机器拥有识别猫和狗的能力。
• 从数据（房屋的各种信息）中自动分析获得模型（判断房屋价格的规律），从而使机器拥有预测房屋价格的能力。

1.2.3 数据集构成

• 结构：特征值+目标值

注：每一行数据被称为一个样本，目标值不是必须存在的，但是会存在特征值。

1.3 机器学习算法分类

分类：

1. 特征值：猫/狗的图片；目标值：猫/狗-类别
   分类问题
2. 特征值：房屋的各个属性信息；目标值：房屋价格-连续型数据
   回归问题
3. 特征值：人物的各个属性信息；目标值：无
   无监督学习

1.3.1小结

1.3.2机器学习算法分类

• 监督学习(supervised learning)（预测） 定义：输入数据是由输入特征值和目标值所组成。函数的输出可以是一个连续的值(称为回归），或是输出是有限个离散值（称作分类）。
• 分类 k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络
• 回归 线性回归、岭回归

定义：输入数据是由输入特征值所组成。
• 聚类 k-means

1.4 机器学习开发流程

注：参考了黑马程序员相关资料。