tutorial - 机器学习和深度神经网络算法综合教程

深度学习算法教程

最近我一直在学习机器学习和算法，并不断总结和记录笔记，记录下自己学习AI与算法的历程。机器学习(Machine Learning, ML)是一门多学科交叉领域，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多个学科。它专门研究计算机如何模拟或实现人类的学习行为，以获取新知识或技能，重新组织已有的知识结构，从而不断提高自身的性能。

机器学习是计算机科学的一个分支，在人工智能领域，机器学习逐渐发展成为模式识别和计算科学理论的研究方向。
机器学习：多学科交叉领域，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多个学科。
机器学习的应用：语音识别、自动驾驶、语言翻译、计算机视觉、推荐系统、无人机、垃圾邮件识别、人脸识别、电商推荐系统。
机器学习的基本概念：训练集、测试集、特征值、监督学习、非监督学习、分类、回归

目前国内在AI感知层面的应用已经百花齐放，主要集中在无人驾驶、智能音箱、嵌入式等领域。但在认知层面还比较缺乏，因此新入行的AI应用团队可以着重关注认知层。如前所述，认知层最重要的是算法，因此需要阅读Nature上领先的算法公司DeepMind的几篇重要论文，如下：

2016.01.用深度神经网络和树搜索掌握围棋游戏
2016.10.使用具有动态外部存储的神经网络进行混合计算
2017.10.在没有人类知识的情况下掌握围棋游戏

机器学习步骤框架

将数据分为训练集和测试集
使用训练集及其特征向量来训练算法
将学习到的算法应用于测试集以评估算法（可能涉及参数调整(parameter tuning)，使用验证集(validation set)）

机器学习

机器学习：机器学习是计算机科学的一个分支，在人工智能领域，机器学习逐渐发展成为模式识别和计算科学理论的研究方向。通俗地说，机器学习是一种能够赋予机器学习能力的方法，可以让它完成直接编程无法完成的功能。从实践意义上来说，机器学习是一种通过利用数据训练模型，然后使用模型进行预测的方法。
机器学习的应用：机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、信用卡欺诈检测、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。现在让我们开始学习机器学习吧！
机器学习环境的搭建
机器学习入门
机器学习框架
机器学习应用案例

深度学习

深度学习：深度学习是基于机器学习延伸出来的一个新领域，起源于以人脑结构为启发的神经网络算法，随着模型结构深度的增加而发展，并伴随大数据和计算能力的提高而产生一系列新算法。
深度学习的方向：被应用在图像处理与计算机视觉、自然语言处理以及语音识别等领域。
深度神经网络
深度学习入门
深度学习环境搭建
深度学习应用案例

机器学习算法概览

自2016年以来，机器学习取得了新的突破和发展。然而，有效的机器学习仍然具有挑战性，因为机器学习本身是一个跨学科领域，没有科学的方法和一定的积累很难入门。

2017年10月19日，Nature杂志发表了新一代AlphaGo版本AlphaGo Zero的技术论文。该论文指出了一种仅基于强化学习的算法，AlphaGo Zero不使用人类的数据、指导或规则以外的领域知识，成为了自己的老师。DeepMind代表了目前人工智能领域最强的技术，其核心可以用两个字概括：算法。

许多人都想成为AI开发者，不仅是因为AI开发的薪资高，更主要是因为AI这几年的快速发展。但由于AI本身的门槛较高，很多人可能会犹豫不决。因此，我想将自己学习AI的过程写成本书，供大家参考和学习！