以下文字大部分为博主自我总结理解，如有错误，请在评论区指出。
1.①机器学习是指将信息数据进行收集后，通过统计总结的方式，提升机器本身的性能。
②深度学习包括三个阶段：输入层，隐含层和输出层。输入层顾名思义，输入数据参数，经过隐含层的处理，然后通过输出层进行输出，使之尽量符合输出预期。而隐含层层数的深浅代表着数据处理的符合预期的程度。但一味的增加隐含层层数不一定会得到更高的经济效益，反而是带来的通信开销会湮灭性能的提升。
2.①目前的人工智能，简单来讲，就是用“硅基大脑”模拟或重现“碳基大脑”。
②严格意义上来讲，深度学习属于人工智能中机器学习中的一个小分支，但它却也与其他分支（比如图像识别）有着密切关系。
③机器学习的形式化定义是指在数据对象中通过统计或推理的方法，寻找一个有关特定输入和预期输出的函数。
④人工神经网络是一种信息处理系统，具有四个特征：非线性，非局限性，非常定性和非凸性。
⑤通用近似定理：一个包含足够多隐含层神经元的多层前馈网络，能以任意精度逼近任意预定的连续函数。
3.①监督学习是通过将给定标签的数据进行整合建立模型，给定新数据，判定它的标签。监督学习根据变量的类型不同，可分为回归分析和分类分析。回归学习的分析，等价于函数的拟合，即通过建立一条函数模拟，使之更好地贴近于统计数据，并能预测位置数据。
②k-近邻算法是一种经典的监督学习算法，通俗来讲是“投票法”“少数服从多数”。即通过对一定距离的k个样本进行标签分析，选取多数作为代表建立模型，然后对未知数据进行分析。但距离计算的方式不同，样本选取的方式不同会使建立的模型大相径庭。
②非监督学习通俗意义上是指将数据分成几个子集，给定数据时判断其与哪个子集相近，则将其归属于哪一子集。
③聚类是指将物理或抽象对象的集合分成由相似的对象组成的多个类的过程，关键是如何度量数据的相似性，分为四步走:数据表示，聚类判断，聚类算法和聚类评估。
④K均值聚类是首先随机选取K个点作为K个簇的中心，然后将其他店按照距离粗心最近的原则分配到不同的簇中去，之后判断点到簇心的最小值，再选择不同的簇心，直至最优解。⑤k均值聚类的优缺点:优点:易于操作，效率非常高。缺点:K值需要预先给出对于簇心的选取具有很强的依赖性易受噪点的影响只能发现球形簇。
⑥半监督学习是指根据所给定的标签数据和未知的数据类型与给定的标签数据的相似度，预测未知数据的标签。
⑦强化学习更注重过程，依赖于过程中表达的程度来调整决策，使其逼近一个最优解。
4.①数据计算NumPy,科学计算SciPy,数据清洗Pandas,图形绘制Matplotlib与Seaborn，网络数据抓去Scrappy,网络挖掘Pattern,自然语言处理NLTK和深度学习TensorFlow。
标签：标签,深度,之美,给定,学习,浅显,聚类,隐含,数据 来源： https://blog.csdn.net/m0_57285400/article/details/116297644
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。