什么是人工智能
仿智是人工智能的广义方向，人工智能的意义在于用机器来模拟人类高效地完成一些复杂工作，减少人员劳动提高工作效率。
AL,ML,DL
人工智能，机器学习和深度学习的关系。人工智能范围最广也最笼统，深度学习以类似于人到神经的方式去训练也是深度学习的一种方法，机器学习需要一定数学的模型。人工智能，机器学习，深度学习也是人工智能三大概念。
人工智能应用分类
对于人工智能的应用领域大体分三类：计算机视觉，自然语言处理，数据挖掘与数据分析。
人工智能发展的三要素
人工智能发展的三要素：数据，算法，算力。就好比人的学习时做的题，解题方法和人的大脑。有多的题有合适的解题方法和聪明的大脑就可以让学习进步，人工智能发展也是同理
样本，特征，标签
人工智能的常用术语：样本，特征，标签，训练集和测试集。
样本为一行数据而一列数据为一个特征，标签就要预测的那一列数据（图中就是就业薪资）
多个样本就构成了数据集而数据集又分为训练集和测试集一般比例控制在7：3或8：2.而这两个数据集顾名思义一个负责训练一个负责测试。
x_train训练集中的xx_test测试集中的xy_train训练集中的yy_test测试集中的y
通过对数据和特征的分析来进行对标签的判断以达到基础的判断能力。
常见算法分类
有监督学习
输入数据是由输入特征值和目标值所组成，即输入的训练数据有标签的。
无监督学习
简单说就是数据没有标签
半监督学习
一部分数据有标签一部分没有
强化学习
通过构建四个要素：agent，环境状态，行动，奖励，
以奖励来进行决策过程
机器学习建模流程
1机器学习建模的一般步骤•获取数据：搜集与完成机器学习任务相关的数据集•数据基本处理：数据集中异常值,缺失值的处理等•特征工程：对数据特征进行提取、转成向量，让模型达到最好的效果•机器学习(模型训练)：选择合适的算法对模型进行训练•根据不同的任务来选中不同的算法；有监督学习,无监督学习,半监督学习,强化学习•模型评估：评估效果好上线服务,评估效果不好则重复上述步骤
特征工程概念入门
1特征工程Feature Engineering
•特征Feature：对任务有用的属性信息
•特征工程：利用专业背景知识和技巧处理数据，让模型效果更好
2特征工程的内容
•特征提取feature extraction：特征向量
•特征预处理feature preprocessing：不同特征对模型影响一致性
•特征降维Feature decomposition：保证数据的主要信息要保留下来
•特征选择feature selection：从特征中选择出一些重要特征训练模型
•特征组合feature crosses：把多个特征合并组合成一个特征
总结
早上的学习较为简单和基础偏于理论这是后面实践的基石，牢固的基础是一切的根本，对理论的学习在以后结合实践来进行更加深刻的认知对以后的各方面学习以及以后的工作都有着不小的影响帮助我们了解一些企业需求等。
博主学习anaconda的一些心得欢迎大家点击观看https://blog.csdn.net/m0_74268124/article/details/138125999
