一、初始人工智能
1.人工智能是一个抽象的概念，它不是任何具体的机器或算法。任何类似于人的智能或高于人的智能的机器或算法都可以称为人工智能。应用：机器人等。
2.机器学习是AI系统需要具备自我学历的能力，即从原始数据中获取有用的知识；机器学习算法是智能算法的统称。应用：推荐系统、人脸识别、语音助手等。
3.神经网络是一种受人脑结构启发的计算模型，其基本组成单元是“神经元”。它的核心思想是通过大量相互连接的简单处理单元（神经元），以分层的方式来处理信息。应用：图像识别、语音识别等。
4.深度学习是机器学习的一个特定分支，它专门使用包含多个隐藏层的深度神经网络来进行学习。应用：自动驾驶、机器翻译等。
二、初始机器学习
1.定义：机器学习是从数据中自动分析获得规律模型并利用规律对未知数进行预测。
2.价值体现
价值体现在各个方面：医疗、航空、教育、物流、电商......
让机器学习程序替换手动的步骤，减少企业的成本也提高企业的效率。
3.机器学习的算法分类
3.1有监督学习（有标签数据，通常用于分类和回归问题）
算法：决策树、支持向量机、朴素贝叶斯、k最近邻算法、线性回归、随机森林、深度算法学习。
3.2无监督学习（无数据标签，用于聚类、降维、关联分析等问题）
算法：k均值聚类、层次聚类、主成分分析、关联规则挖掘。
3.3分类算法
决策树、支持向量机、朴素贝叶斯、k最近邻算法、逻辑回归。
3.4回归算法
线性回归、多项式回归、支持向量机回归、决策树回归、随机森林回归。
3.5集成方法
主要分为Stacking和Boosting两个主要子类。
4.分类和回归问题
分类算法基于的是标签数据为离散型数据。
回归算法基于的是标签数据为连续型数据。
5.分类问题的应用
在银行业务中，构建一个客户分类模型，对客户的贷款风险大小进行分类。
在手写识别中，分类可以用于手写的数字。
6.回归问题的应用
房价预测、股票分析等。
7.聚类问题
聚类问题属于无监督学习，即数据集没有任何标签，即在没有预先标记的数据中发现模式。
聚类可用于识别社交网络中的社群和群体，帮助理解社交网络中的关系和用户行为，可用于对文本进行主题建模、文档分类等。
三、数据挖掘的标准流程
理解业务目标→数据收集→数据清洗和预处理→探索性数据分析→特征工程→数据建模→模型评估→模型优化→结果解释和报告
