先说明下：

      本系列blog重点在于最前沿AI技术的实践使用：包括CNN在移动终端上的应用和优化、增强学习的实际使用、如何一步一步打造一个和google 翻译一样的结合图像预处理+AI识别+AR跟踪显示的app等。

        因此前几章的技术介绍只是大纲和介绍性质，会比较精简，其中会包括一些文章链接要去看看，我也会尽量以直观的形式去说明这些数学概念和模型。

      首先，建议完全没有接触过机器学习概念的人看看这篇文章：http://blog.jobbole.com/67616/，里面没什么大段的数学公式，真的简单易懂，实属最简单的AI入门介绍。

一，人工智能、机器学习、深度学习之间的关系

     大家可能经常遇到这3个名词，这3者间是什么关系，一图简言之：

上图的意思是：机器学习是人工智能的子类，深度学习又是机器学习的子类。

1）机器学习—— 一种实现人工智能的方法

       机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。

2）深度学习——一种实现机器学习的技术

        深度学习就是一种特征学习方法，把原始数据通过一些简单的但是非线性的模型转变成为更高层次的，更加抽象的表达。通过足够多的转换的组合，非常复杂的函数也可以被学习。

https://sdk.cn/news/5098深度学习和机器学习关系

http://www.36dsj.com/archives/20382 一文读懂机器学习这篇文章，介绍得更加全面，看完后基本就对AI领域的技术概念都会大致了解了。

二，机器学习分类

1）按有无label分

        按数据样本是否有label ，机器学习大体上可以分为3类：有监督学习、无监督学习、半监督学习。有label是指，已经给数据做了标注，比如把一幅图片归为猫，把另一张图片归为狗。

2）按任务分

        机器学习的主要任务有：分类、回归、聚类等。

        定量输出称为回归，定性输出称为分类：将实例数据划分到合适的分类中，即分类问题，回归主要用于预测数值型数据。回归的目标是连续的，分类的目标是离散的。 举个例子：预测明天的气温是多少度，这是一个回归任务；预测明天是阴、晴还是雨，就是一个分类任务。

        分类和回归属于监督学习，之所以称之为监督学习，是因为这类算法必须知道预测什么，即目标变量的分类信息。

       对于无监督学习，此时数据没有类别信息，也不会给定目标值。在无监督学习中，将数据集合分成由类似的对象组成的多个类的过程被成为聚类；将寻找描述数据统计值的过程称之为密度估计。此外，无监督学习还可以减少数据特征的维度，以便我们可以使用二维或者三维图形更加直观地展示数据信息。

回归方法主要有：线性回归，GBRT，深度神经网络DNN等算法。    

分类方法相对多一些: GBDT，DNN,CNN,RNN。   

聚类的话，主要针对无监督学习，方法上有k-means,psc等。

三，深度学习分类

     深度学习主要有DNN、CNN、RNN等分类，最新的增强学习、GAN等新方向会在后面文章中介绍。

     这里就不展开说明深度学习原理了，大家看看下面的链接文章效果更好：

     https://www.zhihu.com/question/34681168 CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)的内部网络结构详解。

    https://www.zybuluo.com/hanbingtao/note/433855 零基础入门深度学习。

   下一章将介绍深度学习的重要部分：CNN卷积神经网络，建议大家把本文的链接文章多看看。