什么是机器学习

机器学习是一种统计学方法，计算机利用已有数据得出某种模 型，再利用此模型预测结果。

特点： 随经验的增加，效果会变好。

简单模型举例——决策树模型

预测班车到达时间问题描述： 每天早上七点半，班车从 A 地发往 B 地，到达 B 地的时间如何准确预测？

如果你第一次乘坐班车，你的预测通常不太准。一周之后，你大概能预测出班车 8:00 左右到达 B 地；一个月之后，随着经验的增加，你还会知道，周一常堵车， 会晚 10 分钟，下雨常堵车，会晚 20 分钟。于是你画出了如下的一张树状图，如 果是周一，还下了雨，班车会 8:30 到达；如果不是周一，也没有下雨，班车会 8:00 到达。

机器学习和传统计算机运算的区别：

传统计算机是基于冯诺依曼结构，指令预先 存储。运行时，CPU 从存储器里逐行读取指令，按部就班逐行执行预先安排好的 指令。其特点是，输出结果确定，因为先干什么，后干什么都已经提前写在指令 里了。
机器学习三要素： 数据、算法、算力

什么是深度学习

深度学习的概念： 深层次神经网络，源于对生物脑神经元结构的研究。

人脑神经网络：随着人的成长，脑神经网络是在渐渐变粗变壮。

生物学中的神经元： 下图左侧有许多支流汇总在一起，生物学中称这些支流叫做 树突。树突具有接受刺激并将冲动传入细胞体的功能，是神经元的输入。这些树 突汇总于细胞核又沿着一条轴突输出。轴突的主要功能是将神经冲动由胞体传至 其他神经元，是神经元的输出。人脑便是由 860 亿个这样的神经元组成，所有的 思维意识，都以它为基本单元，连接成网络实现的。

1943 年，心理学家 McCulloch 和数学家 Pitts 参考了 生物神经元的结构，发表了抽象的神经元模型 MP。神经元模型是一个包含输入， 输出与计算功能的模型。输入可以类比为神经元的树突，输出可以类比为神经元 的轴突，计算可以类比为细胞核。

人工智能 Vs 机器学习 Vs 深度学习

人工智能，就是用机器模拟人的意识和思维。 机器学习，则是实现人工智能的一种方法，是人工智能的子集。 深度学习就是深层次神经网络，是机器学习的一种实现方法，是机器学习的子集。