概述
人工智能很火，各国出台政策
有趣的图灵测试
人工智能包括——计算智能（“深蓝”对战卡斯帕罗夫，国际象棋，暴力搜索，本质是计算）、感知智能（能听会说，能看会认，类似于人的视觉、听觉、触觉等感知能力
）、认知智能（逻辑推理、知识理解、决策思考，概念、意识、观念都是认知智能的表现 ）
相对于知识工程，机器学习具有减少主观性，可信度高等优点
机器学习更适合用来处理“规则复杂、问题规模大”的问题，至于“规则简单、问题规模大”的问题，可以通过手工建立规则的专家系统来解决。
机器学习的定义分为以下几类：
什么样的问题适合用机器学习，应当具有以下几个特点：
- 需要自动化处理（如果不需要则可采用手动方式）
- 规则比较复杂（如果规则简单可以使用专家系统）
- 有明确的判定规则（比如母亲的行为和胎儿性别之间的关系，就可以用机器学习；但是如果想预测孩子什么时间哭，就做不到）
- 要有足够多的数据
- 有规则的模式和有意义的特征
- 问题不存在解析解（如果存在解析解，应当求解方程组，哪怕会复杂一些；机器学习得到的结果是近似解）
=========================2019.11.18更新===================================
模型分类
半监督学习——出发点是未标注的数据比较容易获得摒弃成本低，最大的作用是在标记样本比较少的情况下辅助判决（比如正例反例各一个，中间有一个待判决样本，这时就很难判定该样本属于哪一个分类，若此时加入大量未标记样本，可以发现未标注样本更多是提供数据分布方面的信息，据此我们就更有信心判断该样本属于正例）
强化学习——最大的特点是数据虽然没有标注，但是可以得到关于数据目标相关的反馈，时刻决策类问题
生成模型、判别模型的区别
书籍推荐：
西瓜书——大而全，深入浅出，适合作为工具书，不适合一开始就抱着啃
统计学方法——从模型、策略、方法介绍机器学习，从概率的方法做了介绍，字字珠玑
机器学习 从公理到算法——从公理角度推出主流方法
machine learning——和西瓜书有点像,讲理论但不讲推导，只讲思路
pattern classfication——比较经典。很多前沿方法没介绍
PRML——从贝叶斯角度介绍机器学习办法，如果能看完，你博士论文一定能写的很出色
数学之美——给了很多工程案例，是入门的好教材
从左到右——从入门到进阶
不同方法分支
传统机器学习——特征比分类器重要
前两种，特征依赖于人的手工筛选。后两种方法，特征不依赖于手工选取，深度学习在表示学习的基础上，多层提取特征，由简单到复杂；比如人脸方面——简单特征包括脸的边缘，复杂一些的特征包括眼睛、鼻子、嘴巴，再复杂一些的包括人脸全貌或者表情
神经网络的几条发展路线
拒绝做调参侠
工程门槛低，科研门槛高
