什么是 Machine Learning?
機器學習是人工智能的一個分支，他的目的的在于吸收任何的數據比如說(圖像，文本，語音 ，統計數據) 然后作出預測數據當中所隱藏的特征或是行為。
- 我們來看看 ML 現在都可以做些什么?
- 面部識別
- 面部特征識別
- 特征檢測和替換
- 文本檢測
- 物件追蹤
- 機器學習到底是怎么學習的呢？
例如：我們使海量的圖片來訓練他什么是面部特征，最終被訓練出來的結果就叫做 『訓練好的模型』
再者區分貓和狗，告訴它喵喵叫的是貓，旺旺叫的是狗。這樣的處的模型就能通過聲音區分貓狗，這樣的的也叫『訓練好的模型』。 - 訓練好的模型有什么用？
大家拭目以待哈哈。。。。。 - 為什么ML這么重要?
ML可以做到我們人類做的事情，他給我們的產品增加人性的感覺，使得我們的產品更佳的聰明。
最基本的元件——人工神經網絡 (ANN)
- 神經網絡簡單地說就是用人造的方式透過數學的解析，仿造我們神經細胞的結構所做出來的一種網絡。
-
人工神經網絡（Artificial Neuron Network ）是基于生物的神經結構和功能的一種計算模式，這邊要注意她不是一種網絡，只是一種計算模式。
timg111.jpg - 那我們是怎么模仿神經元的
-
單一人工神經元簡單示意圖
WX20171123-153922.png
核心的那個部分就是我們處理輸入的數據信息，然后整合出一個結果，在把他推出去。
-
多個神經元之間相互連接
111.png 神經網絡的分層
神經網絡中是有層次存在的
輸入層：是我們訓練他的地方，喂養他的地方。
輸出層：輸出結果的地方
隱藏層：中間有的時候會有很多層負責計算結果。
只有一個輸入層和一個輸出層，隱藏層不定。
卷積神經網絡（CNN）
在機器學習中，卷積神經網絡（Convolutional Neural Network）是一種反饋形式的神經網絡。目前被廣泛的應用在圖像識別還有分類，打開你的手機相冊就知道 。現今尖端的應用在于機器人還有自駕車的視覺驅動， CNN 也被成功的識別部物件，還有交通號標志。
假設你今天要從家去超市買東西，路程有點遠，而且路還有很多條。
紅色線路走過之后你感覺這條路不好走，下次你就換了一條
第二次
藍色路線你感覺比上一條路好走，但是還不是太好。下次再換一條
綠色路線你感覺這條路很好走，下次你就會一直走這條路。
這三條路是否好走，線路一比線路二好走，線路二比線路三好走。
專業術語叫這條路的權重是否重，用權重來說就是：路線一的權重 < 路線二的權重 < 路線三的權重。
遞歸神經網絡 (RNN)
遞歸神經網絡（Recurrent Neural Network）它是一種深層次的學習模式，他跟CNN有點不同，他會在許多的神經網絡的隱藏層之間反復游走，我們甚至可以說他是有記憶的。
人們在不同的的問題可以用RNN來解決，比如：語音識別、時間序列分析以及自然語言處理。現在最流行的RNNy應用是LSTM。
long short-term memory model 時間記憶模型，可以 python 打造。
-
遞歸神經網絡就是卷積神經網絡之間互相傳送
Snip20171123_1.png
機器學習主流的兩種模式
- 監督學習：明確的告訴符合什么條件的是什么。
- 非監督學習：不會明確告知什么條件，而是自己歸類。
