涉及名词：AI（人工智能）、ML（机器学习）、DM（数据挖掘）、KDD（知识发现）、BP（反向传播）、CNN（卷积神经网络）、RNN（循环神经网络）、GNN（图神经网络）、AML（自动机器学习）、ML（元学习）
机器学习+人机交互+可视化+数据挖掘+信息检索+推荐+......
1.机器学习：对于某类任务T和性能度量P，如果计算机程序在T上以P衡量的性能随经验E而自我完善，就成计算机充足从经验E学习。
1.1训练集（预期+非预期）-------特征提取----机器学习算法-----（对象分组+预测模型）
| |
新数据 标注数据
1.2ML发展：
奠基时期（能思考的机器）----瓶颈时期（只有理论，没有实践）---重振时期（BP算法）----成型时期（支持向量机SVM）---爆发时期（深度学习的出现，将AI推导一个崭新的时代）
1.3ML算法
按函数分：线性和非线性
按学习准则分：统计和非统计
按训练样本信息及反馈分：
监督学习(分类问题是离散的，回归问题是连续的)：数据集是有标签的，即我们对样本是知道答案的。
innput raw data------(supervisor)Alogorithm-----processing-----output
K邻近算法（KNN）、决策树（DT）、朴素贝叶斯（NB）
无监督学习UL：依据某一假设，将样本分类。
input raw data---interpretation----alogorithm----processing----output
稀疏自编码、主成分分析（PCA）、K均值算法、最大期望算法
利用无监督学习可以解决：关联分析（发现不同事物之间同时发生的概率）、聚类问题（找相似的样本分析会一个簇，但预先不知道类别）、维度约减（减少维度的同时不丢失有意义的数据）
半监督学习：监督学习与无极监督学习的一种结合
分为【直接学习（TL）没有标记的数据是测试数据，可以对其进行训练
归纳学习（IL）没有标签的数据不是测试集】
强化学习：如果某个行为导致环境的正奖赏，那么产生这个策略的趋势会增强。
线性回归：某种线性关系
2.人工神经网络（ANN）：由大量处理单元互联组成的非线性的、自适应信息处理系统
具有自学功能、具有联想存储功能、具有高速寻找最优解的能力
3.深度学习（是机器学习的一个分支）
以CV和卷积网络为主、基于神经网络的生成模型、序列模型、增强学习
4.CV（计算机视觉）
物体识别和检测（有相应的算法）
语义分割（从每一个像素上进行分割）
运动和跟踪
视觉问答（根据输入的图像用户来提问，算法自动根据提问的内容进行回答）
5.知识工程
将知识集成到CS（计算机系统），从而完成只有特定领域专家才能完成的复杂任务
在BD（big data）中，从bd中自动或者半自动读取知识，建立基于知识的系统，提供互联网智能知识服务
应用：知识图谱、语义搜索、问答系统、推荐系统
6.自然语言处理（语音分析、词法分析、句法分析、语义分析、语用分析）
理解-----转化----生成
对行、音、义进行处理
7语音识别
学习和训练阶段
识别阶段
8.计算机图形学
9.多媒体
10.人机交互（HCI）：是人与计算机之间完成某项任务进行的信息交换过程
GUI图形用户界面
MMI多通道交互
VR虚拟现实
IUI智能用户界面
11.机器人：可编程的、多功能的操作机。
12.DB技术：
分布式ＤＢ：有一组分布在网络中的不同计算机上的data组成
知识库系统：在DB中引入AI
主动ＤＢ：在传统ＤＢＭＳ中切入事件、条件、动作、规则
ｓｑｌ／ｎｏｓｑｌ（解决大规模时间集合）／ｎｅｗｓｑｌ属于分布式ｄｂ
１３.可视化技术：将不同类型的数据转化为可视的表示形式，并获得对数据更深层次的认识过程。
应用在医疗、教育、体育、娱乐方面比较多。
１４.Ｄａｔａ Ｍｉｎｉｎｇ
在大量ｄａｔａ中自动搜索隐藏于其中的 有着特殊关系性的数据和信息，并将其转化为计算机可处理的结构化表示
１５.信息检索与推荐系统
ＩＲ：如何为用户访问他们感兴趣的信息提供便利的手段。
ＲＳ：是信息过滤技术，从海量数据中选出用户感兴趣的部分推荐给用户，在用户还没有明确需求或者数据信息过大时，解决信息过载问题
