人工智能&机器学习&深度学习
传统系统就是向计算机提供一套规则以及若干数据，系统通过规则就可以得出相应的答案，就像象棋，象棋的规则相对较少，通过有限的代码编写，制度一套象棋规则，囊括所有的可能性，在向其中输入数据，就可以得出正确的结果，这就是传统系统。
现在的机器学习，则是为计算机提供最终的结果以及若干的数据，对其进行锻炼，希望计算机自己学习总结出一套对应的规则，类似于阿尔法狗，围棋有无穷可能性，通过枚举很难总结一套全面的规则应对若干的你可能性，所以就有了现在的机器学习。
机器学习经典算法简介
机器学习算法一般是基于数学和统计学的方法，具有很强的可解释性
一.KNN
KNN：K最近邻居（K-Nearest Neighbors）
一种监督学习的方法用于分类和回归问题。它的基本思想是通过测量不同的数据点之间的距离来进行预测。KNN的工作原理可以概况为以下几个步骤：
- 距离向量：KNN使用距离度量（通常是欧式距离-三位空间）来衡量数据点之间的相似性，距离越近越相似。
- 确定邻居数量K
- 投票机制
根据距离将不同类型的数据进行分类，通常不同类别设置不同的权重，距离越近权重越大。
二.决策树
通过特征进行Y/N构建一颗二叉树，判断是否是垃圾邮件
但是决策树也有他的局限性，假如没有垃圾关键词的邮件中有垃圾邮件，该怎么判断呢，就需要进一步增加特征变量，来判断是否是垃圾邮件。
朴素贝叶斯
简单了解下深度学习
深度学习——设计一个很深的网络架构让机器自己学习。
深度学习就是找一个函数f。
初识神经网络任务
- f（x）=Y
- f（身高，体重，财富...）=寿命
- f（“柯南图片”）=柯南
常见神经网络输入，一般有三种形式
- 向量：身高，体重，财富 - 170,100,1000
- 矩阵/张量：“图片”
- 序列："一段话（每个字组成）",一段视频（由一帧帧的画面组成）
常见神经网络输出，一般也有三种
小题目，判断输入和输出
1.自动填充代码
答：根据已有的代码序列生成代码序列，是3序列以及3生成任务
2.判断图片中的人物是谁
答：根据图片判断人物，其实判断在某种程度也是一种选择可以，是2矩阵以及2分类任务
3.根据车摄像头看到的，把人，物，车的轮廓准确画出
答：摄像头拍到的是画面，即2矩阵，识别各个物体类别，是2分类任务
