誕生于20 世紀(jì) 50 年代的人工智能（Artificial Intelligence，AI），因旨在實(shí)現(xiàn)人腦部分思維的計(jì)算機(jī)模擬，完成人類智力任務(wù)的自動(dòng)化實(shí)現(xiàn)，從研究伊始就具有濃厚的神秘色彩。

? 人工智能的研究經(jīng)歷了從符號主義人工智能（symbolic AI），到機(jī)器學(xué)習(xí) （Machine Learning）到深度學(xué)習(xí)（Deep Learning）的不同發(fā)展階段。

? 符號主義人工智能：基于“一切都可規(guī)則化編碼”的基本信念

? 機(jī)器學(xué)習(xí)概念的提出源于“人工智能之父”阿蘭·圖靈的圖靈測試： “思考的機(jī)器”是可能的

? 相對于經(jīng)典的程序設(shè)計(jì)范式，機(jī)器學(xué)習(xí)是一種新的編程 范式 ? 機(jī)器學(xué)習(xí)的最大突破是2006年提出的深度學(xué)習(xí)：從數(shù)據(jù) 中學(xué)習(xí)“數(shù)據(jù)表示”。強(qiáng)調(diào)基于訓(xùn)練數(shù)據(jù)，通過眾多連 續(xù)的神經(jīng)網(wǎng)絡(luò)層（layer），過濾和提取數(shù)據(jù)中的服務(wù) 于預(yù)測的重要特征。相對于擁有眾多層的深度學(xué)習(xí)，機(jī) 器學(xué)習(xí)有時(shí)也被稱為淺層學(xué)習(xí)（Shallow Learning）

機(jī)器學(xué)習(xí)的任務(wù)：

數(shù)據(jù)建模

? 基于數(shù)據(jù)集，機(jī)器學(xué)習(xí)通過數(shù)據(jù)建模，完成以下兩大主要任務(wù)：

第一，數(shù)據(jù)預(yù)測

第二，數(shù)據(jù)聚類

? 數(shù)據(jù)預(yù)測，簡而言之就是基于已有數(shù)據(jù)集，歸納出輸入變量和輸出變量 之間的數(shù)量關(guān)系。

基于這種數(shù)量關(guān)系： 一方面，可發(fā)現(xiàn)對輸出變量產(chǎn)生重要影響的輸入變量；另一方面，在數(shù)量關(guān)系具有普適性和未來不變的假設(shè)下，可用于對新數(shù)據(jù)輸出變量取值的預(yù)測。

舉個(gè)簡單例子，比如通過線性回歸分析，將上圖中的三個(gè)點(diǎn)用一條直線連起來以后，那我們就可以預(yù)測第四個(gè)點(diǎn)也會(huì)出現(xiàn)在這條直線上面。

? 數(shù)據(jù)預(yù)測可細(xì)分為：

? 回歸預(yù)測和分類預(yù)測

? 分類預(yù)測可細(xì)分為：二分類預(yù)測和多分類預(yù)測

舉例如下:

用一個(gè)人身高(cm)與腳碼（尺碼）大小來作為特征值，類別為男性或者女性。我們現(xiàn)在如果有5個(gè)訓(xùn)練樣本，分布如下：

A [(179,42),男] B [(178,43),男] C [(165,36)女] D [(177,42),男] E [(160,35),女]

現(xiàn)在來了一個(gè)測試樣本 F(167,43)，讓我們來預(yù)測他是男性還是女性。

下面用歐式距離分別算出F離訓(xùn)練樣本的歐式距離，然后選取最近的3個(gè)，多數(shù)類別就是我們最終的結(jié)果，計(jì)算如下：

由計(jì)算可以得到，最近的前三個(gè)分別是C,D,E三個(gè)樣本，那么由C,E為女性，D為男性，女性多于男性得到我們要預(yù)測的結(jié)果為女性。

這個(gè)分類結(jié)果存在問題，因?yàn)榕缘哪_碼一般不會(huì)有43，所以上述分類方法需要進(jìn)一步調(diào)整，也就是學(xué)習(xí)。

? 數(shù)據(jù)聚類：發(fā)現(xiàn)數(shù)據(jù)中可能存在的小類，并通過小類刻畫和揭示數(shù)據(jù)的 內(nèi)在組織結(jié)構(gòu)。

聚類結(jié)果：給每個(gè)樣本觀測指派一個(gè)屬于哪個(gè)小類的標(biāo) 簽，稱為聚類解。聚類解將保存在一個(gè)新生成的分類型變量中。

上圖表示采取一定的數(shù)學(xué)方法對五個(gè)推銷員進(jìn)行聚類的結(jié)果，結(jié)果表明，先是G1G2聚成一類，再是G3G4，然后G3G4G4。

其他方面：

? 關(guān)聯(lián)分析：尋找到事物之間的聯(lián)系規(guī)律，發(fā)現(xiàn)它們之間 的關(guān)聯(lián)性

比如：

在表中，雞蛋—金絲猴豆干上湯雞汁30g的概率40%表示購買了雞蛋的顧客同時(shí)購買

金絲猴豆干上湯雞汁30g可能性，而金絲猴豆干上湯雞汁30g—雞蛋的概率則正

相反，表示購買了金絲猴豆干上湯雞汁30g的顧客同時(shí)購買雞蛋的可能性。根據(jù)這些概率的大小，就可以調(diào)整商品在超市中的擺放位置，從而增加商品的銷量。

當(dāng)然還包括模式診斷等其他方面，以后慢慢介紹。

經(jīng)過上面敘述和舉例，我們似乎可以這樣理解機(jī)器學(xué)習(xí)：

通過把已經(jīng)獲得的對象資料數(shù)據(jù)化，然后采用某種數(shù)學(xué)方法建立規(guī)則，在根據(jù)這些規(guī)則對這些數(shù)據(jù)進(jìn)行預(yù)測、分類、關(guān)聯(lián)等等方面的分析，以獲得我們想要的結(jié)果。并且那些規(guī)則可以根據(jù)實(shí)際情況進(jìn)行不斷的調(diào)整。那么，利用規(guī)則進(jìn)行數(shù)據(jù)分析并且對這些規(guī)則進(jìn)行調(diào)整的過程就是機(jī)器學(xué)習(xí)的過程。