（1950年提出）人工智能是我们希望达成的目标，希望机器可以和人一样智能，而机器学习是实现人工智能的一种方式，而深度学习是机器学习中的一种方式，机器学习主要指的是基于机器学习中神经网络的各种模型。
下面介绍几种为了实现人工智能的方式：
hand-crafted rules人工智能：早期的人工智能，其本质就是通过许多if判断语句去实现，通俗的讲就是用大量的判断语句，如果接收到一些信号，就做出相应的指令。这样并不能完成比较复杂的任务，通过编写大量的if语句，没有真正的“智慧”，之前的早期人工智能，基本都是用这种技术，无法超越其创造者。
Machine learning ：使机器有学习的能力，让其有云辨识的能力。即寻找出我们所需要的function。通俗的讲，我们希望机器拥有识别，学习的能力，可以理解为寻找一个模型，通过输入一些信号（样本），让机器去建立一个模型，得到结果。
比如：在图像识别中，我们先确定一大堆函数集（模型）提供给机器，并且提供给机器一大堆样本集（猫和狗的各种图片），告诉机器你看到什么样本（猫或者狗的图片）就要输出什么，看到猫的图片输出猫，看到狗的图片输出狗。最终让机器寻找模型，未来你给机器一个没有见过的样本（图片），它也可以识别出来。
Deep learning ：机器学习的一个分支。
图1-1 人工智能与机器学习深度学习大致包含关系
在实际模型设计过程中，通过从函数集中选取合适的模型与训练集进行处理，得出模型的优劣，从而取得较为适应的模型，对该模型便可输入新的样本，得到输出。可以从下图进行理解，左边的部分称作学习器，学习器就是我们让机器寻找模型的过程，我们从很多很多函数集（模型）中通过让各种样本进行测试，得到很多不同函数的输出，然后通过这些输出去评价这个模型的优劣（这里的优劣指是否适合我们输入的数据，输出数据是否真的符合实际样本的数据，比如：输入了猫的图片，模型的输出是否是猫）。相比之下较优的模型拿出来可以用于实际。右边的部分是你可以作为应用的过程，即你可以用你的模型去使用，给它一个新的输入，它会给你一个新的输出。
在机器学习中，输入的样本通常会用于进行训练与测试，用于训练模型的叫训练集，用于测试模型优劣的叫测试集，样本的真实输入叫做样本的标签（比如一张猫的图片做样本，猫就是这个样本的标签）。
以上使用有标记的样本进行训练（即样本的输出是知道的，就是说输入是猫的图片，机器知道这张图片是猫），叫做有监督学习supervised learning。
图1-2 机器学习大致框架
可以看下图，下图主要讲的是机器学习的一些不同的问题与包含。首先是回归，回归问题很好理解可以理解为给一组数（样本），寻找一个函数将这些样本的函数关系进行拟合，得到函数后可以进行一些预测或者分析，比如：已知某城市前几年的PM2.5的值，通过模型去预测未来几年的值。
分类问题指的是提供一组样本，进行分类，比如我们上文提到的识别猫或狗图片的问题，就是一个分类问题。分类问题包含了二分类问题（经常是判定是否问题，如提供很多邮件，去判定是否是垃圾邮件），还有多分类问题（如我们提供很多类别的新闻，将他们分类）。
分类问题中有很多模型，最简单的模型是线性模型。当然还包含了深度学习等很多模型。当然，分类问题不仅仅是做简单的分类，其实可以引申为很多问题，比如下棋。
图1-3 机器学习整体框架
Semi-supervised learning：半监督学习，不进行标识的训练集对学习也会有帮助，提供的样本有一部分没有标记，同样会对模型训练有帮助。
Transfer Learning：迁移学习，提供了一些与问题不相干的样本，比如：猫狗图片识别中，样本中有一些不相干的训练集，比如一些风景照。这些不相干的样本对机器学习也有帮助。
Unsupervised learning：无监督学习，有大量样本，这些样本都没有标记。比如：把很多动物图片给机器，让机器创造一些新的动物图片。
Structured learning ：结构化学习，让机器输入有结构性复杂的东西，比如在声音识别，输入语音信号，输出语音表达的含义；在文字翻译，输入文字，输出翻译文字；在人脸识别中，出入图片，输出识别出的人。
Reinforcement learning：强化学习，在决策中不会告诉机器好坏，只会告诉他评价的指标，即好坏或者评价分数。比如下围棋，不会告诉机器中间过程好坏，但是会告诉它最后胜负或者很多步后占的目数多少。
alpha go是使用监督学习与强化学习的结合。
上图中各种模型没有任何高下之分，只是不同情况下的适应。
这篇文章是我之前写的，后自己看发现可读性比较差，忽略了很多基比较弱或是没有接触的小伙伴，于是重新把全部文章重写一遍啦。虽然机器学习目前已经发展的很不错了，会用的人也非常的多，比我强的人也大有人在，但还是把这系列文章写完，也算是无愧于心了。
一些最初学习时的个人思考：在课程中提到的强化学习是给计算机做出的响应一个“好”或“坏”，来修正计算机之后的行为，为什么不能使用一个数值作为一个修正的条件呢？比如说我们期望最好的结果是0，在作出判决之后可以给计算机一个数（可正可负），对其进行修正，这样可以使用控制领域的一些理论（比如PID控制）来预测出模型的一些特性。同时，多种分支路线情况下，也可以给不同的值定义不同的含义，使有更多的选择，也可以做成多维的坐标进行更多维的求解。一点个人思考，天马行空，如果该想法已经实现或者实现很困难，暂且先赔个不是。
今天主要学习了李宏毅机器学习的第一节课，大概了解了机器学习的整个过程，使用训练集与函数库种的模型优劣分析筛选，得到较为合适的模型。同时，学到了机器学习种的大致分类，写了自己第一篇博客，很开心，希望自己可以更加努力学好机器学习，未来可以帮助更多的人。
