人工智能发展与机器学习
人工智能的分类
弱人工智能，强人工智能，超人工智能
人工智能：
显性智慧：智能，获取信息，生成知识，形成理解，加以实践的能力。（解决问题）
隐形智慧：有目的，知识，直觉，想象，灵感等组成（发现问题，定义问题）
智能与心理认知：
人工智能与人类：
现阶段人工智能工程化特点
可计算
可评估
可复现
可工程化部署与应用落地
数据集
机器学习问题的数学描述
如上一讲座中所说：AI的内在逻辑非为记忆、计算、学习、判别、决策五个大部分。
机器学习问题的三种定义：
- 计算机系统能够利用检验提高自身的性能
- 学习是一个基于经验数据的函数估计
- 提取重要模式，趋势，并理解数据，从数据中学习
智能函数
机器学习的基本框架
- 学习材料：（丑小鸭定理）特征依赖假设
- 学习算法：（没有免费午餐定理）
- 学习判据：（目标函数的构建）
拓展问题：是否存在通用人工智能？
学习的方法分类与应用
同上讲座
人工智能“Hello World”
开源平台与工具
Python scikit-learn (sklearn):
R语言
WEKA:
Matlab:
机器学习中的任务
首先需要考虑是什么类型的机器学习：监督？无监督？半监督？
接下来需要处理数据集
需要考虑效果的评估
机器学习与统计学习
机器学习实例
鸢尾花iris的分类识别：
车牌聚类识别：
Kaggle
One More thing
开发数据
鸢尾花iris的分类识别
数据处理
算法分析
参数调优
模型选择
人工智能模型的评估与评价
泛化学习
泛化误差vs检验误差
模型选择
评估方法：
关键：如何获得测试集？
- 消除样本不均衡问题
- 测试集应该与训练集“互斥”
留出法，交叉验证法，自助法，KF