现在人工智能必会知识点总结如下：

一.机器学习概述

1.1人工智能概述

1.1.1cpu与gpu的区别：

• CPU主要适合I\O密集型的任务
• GPU主要适合计算密集型任务
  1.1.2人工智能三要素
  数据，算法，计算力
  1.1.3人工智能，机器学习，深度学习之间的关系
  机器学习是人工智能的一个实现途径
  深度学习是机器学习的一个方法发展而来
  

1.2人工智能主要分支

• 计算机视觉
• 语音识别
• 文本挖掘/分类
• 机器翻译
• 机器人

1.3机器学习工作流程

1.3.1机器学习定义
机器学习是从数据中自动分析获得模型，并利用模型对未知数据进行预测
1.3.2机器学习工作流程总结

• 获取数据
• 数据基本处理
• 特征工程
• 机器学习(模型训练)
• 模型评估
  结果达到要求，上线服务
  没有达到要求，重新上面步骤

1.3.3获取到的数据集介绍
数据集中一行数据一般称为一个样本，一列数据一般称为一个特征。
数据集的构成：

• 由特征值+目标值（部分数据集没有）构成

为了模型的训练和测试，把数据集分为：

• 训练数据（70%-80%）和测试数据（20%-30%）

特征工程包含：

• 特征提取
• 特征预处理
• 特征降维

1.4机器学习是算法分类

1.4.1算法分类
根据数据及组成不同，可以将机器学习算法分为：

• 监督学习

• 无监督学习

• 半监督学习

• 强化学习
  主要是前两个
  1.4.2监督学习
  定义：输入数据是由特征值和目标值所组成

• 函数的输出可以是一个连续的值（称为回归）

• 或是输出是有限个离散值（称为分类）
  1.4.3无监督学习
  定义：输入数据是由输入特征值组成，没有目标值

• 输入数据没有被标记，也没有确定的结果。样本数据类别未知；

• 需要根据样本间的相似性对样本集进行类别划分。

有监督，无监督算法对比：

1.4.4半监督学习
定义：训练集同时包含有标记样本数据和未标记样本数据。
1.4.5强化学习
定义：实质是make decisions 问题，即自动进行决策，并且可以做连续决策。
举例：小孩想要走路，但在这之前，他需要先站起来，站起来之后还要保持平衡，接下来还要先迈出一条腿，是左腿还是右腿，迈出一步后还要迈出下一步。
小孩就是 agent，他试图通过采取行动（即行走）来操纵环境（行走的表面），并且从一个状态转变到另一个状态（即他走的每一步），当他完成任务的子任务（即走了几步）时，孩子得到奖励（给巧克力吃），并且当他不能走路时，就不会给巧克力。

主要包含五个元素：agent, action, reward, environment, observation；
强化学习的目标就是获得最多的累计奖励。

1.4.6总结

1.5模型评估

模型评估是模型开发过程不可或缺的一部分。它有助于发现表达数据的最佳模型和所选模型将来工作的性能如何。

按照数据集的目标值不同，可以把模型评估分为分类模型评估和回归模型评估。
1.5.1分类模型评估
准确率：预测正确的数占样本总数的比例。
其他评价指标：精确率、召回率、F1-score、AUC指标等
1.5.2回归模型评估
均方根误差（Root Mean Squared Error，RMSE）RMSE是一个衡量回归模型误差率的常用公式。 不过，它仅能比较误差是相同单位的模型。

1.5.3拟合
模型评估用于评价训练好的的模型的表现效果，其表现效果大致可以分为两类：过拟合、欠拟合。
欠拟合：有四肢的就是人
过拟合：黄皮肤的才是人

1.6深度学习

深度学习的发展源头–神经网络【了解】
多层神经网络，在最初几层是识别简单内容，后面几层是识别一些复杂内容。【了解】