AI方法(机器学习)总结
作者：微信文章机器学习：人工智能（AI）中最具有代表性的分支。
机器学习：研究如何通过计算手段（算法和算力），利用经验（数据）来产生有效的预测模型。模型泛指从数据中学得的结果。
发展简史：
1950初：机器逻辑推理。
1950中后：神经网络-连接主义
1960-1970：逻辑表示-符号主义
1990-：统计学习（支持向量）
2000-：深度学习（连接主义）
基本概念：
数据集：每一条记录为一个样本（sample）或示例（instance）。
样本的性质为属性（attribute）或特征（feature），可以形成向量。
数据集组成空间一般可以用矩阵表示。
学习（训练）：从数据中学得模型的过程。
训练集：训练样本的数据集。
测试集：用来对模型进行验证的数据集。
学习类型：分类（离散值），回归（连续值），聚类
根据训练数据是否有标记分：监督学习（分类，回归），无监督学习（聚类）
主要方法：
线性判别分析（LDA）：线性学习方法，最早由Fisher于1936年提出。
决策树：基于树的结构进行推理。
支持向量机：基于训练集在样本空间找到一个划分超平面，将不同类别分开。
机器学习最经典的参考书：
周志华，机器学习，清华大学出版社，2016年第1版
页:
[1]