1、人工智能、机器学习、深度学习之间的关系
总的来说，深度学习时机器学习的一个子类，而机器学习又是人工智能的一个子类。
人工智能是一个非常宽泛的概念，它可以代指任何形式的蕴含某些智能特性的技术，并非特指某一特定技术领域。而机器学习则指一个特定领域，用于指代人工智能的一个特定类别。而进一步的，机器学习也包含很多技术，深度学习就是其中之一。
简单地说，机器学习其实就是一种对数据的建模技术，（就我个人看来也像是一种数据处理的算法模型），是一种从数据抽象出模型的技术。数据可以是各种信息，如文档、图像等等，模型就是机器学习的产物。
//就我个人的理解来看，机器学习就是通过海量的数据集合，来对你所建立的模型进行训练，使其达到一个预期的效果，最终生成一个可靠的模型。
机器学习无法基于错误的训练数据来实现预期目标，就像给新生的婴儿几个苹果，一会儿告诉你是苹果，一会儿告诉你是梨子，一会儿又说是西瓜，他永远不会知道到底什么是苹果。所以，获取能够充分反应实际领域据特征的无偏训练数据至关重要。
这里需要提到一个概念，泛化（generalization）：确保模型对于训练数据与输入数据能够获得一致性能的处理过程。机器学习能否成功很大程度上取决于泛化的有效程度。
泛化过程失效的主要诱因之一就是过拟合。这是一个训练模型时十分常见的问题。下面举一个例子进行简单的描述。
例如，我们需要利用机器学习对两类数据点进行分类。我们以两类数据的特征坐标画出一幅散点图：
此时我们需要建立一个模型对两者进行分类，实际上也就是得到一条区分两者的边界
如图所示，虽然存在一定的数据点偏离，但曲线似乎是一条比较合理的边界。
如果我们要以完美的边界对所有数据点进行划分呢？能否正确地反映普适的行为特征呢？
完美的边界如上图所示，针对这样的模型，如果有一个新的数据（正方形）输入，能否得到一个准确的划分呢？
这个完美的边界模型将黑色方形划分为△，但实际上它应该属于黑色圆更加合理，为什么对训练数据的100%准确率匹配会产生问题呢？
其实，在大量的训练数据中，存在的大量的噪声，就比如上述的一些偏离了的数据点。但机器学习无法区分噪声，如果过分要求区分所有训练集数据，他将会生成一个不合理的模型，而对后续所需要判定的实际数据的判定产生误差。
如果认为训练数据中的每一个元素都是准确的，并且精准匹配模型，这将会得到一个普适性较低的模型，这就是过拟合。就比如，你拿出三个苹果，十分强硬地和婴儿宝宝说这就是苹果，其他的就算很像也不是苹果，只有这三个才是苹果。这样，如果再拿来一个新的没有见过的苹果，婴儿宝宝也会觉得这个东西不是刚见过的苹果，所以判断失误，这其实就是过拟合的概念。
这里介绍两种克服过拟合问题的典型方法：正则化和验证。
（1）正则化：是一种力求构建极简模型的数值方法。精简后的模型能以较小的性能代价，避免过拟合的影响。类似于前文讨论的例子，复杂的曲线更倾向于过拟合。而简单的曲线虽然未能正确划分部分数据点，但能更加好的反映总体特征。
（2）验证：验证是指预留一部分训练数据，并利用其监控模型性能的过程。验证数据集不参与训练过程。如果训练过程所生成的模型对预留输入数据的处理效果不佳，则认为存在过拟合。
验证的方法十分常见，也拿之前说的认识苹果来说，相当于你在教婴儿“这2个是苹果”之后，再拿出另一个苹果出来，如果婴儿宝宝能认出来也是苹果，说明教的效果好，反之如果不认识，那就是过拟合的意思了。
在利用验证技术的机器学习过程包括以下几步：
（1）将训练数据分为两组：一组用于训练，另一组用于验证。根据经验规律，训练数据与验证数据的比例为8:2；
（2）使用训练数据对模型进行训练；
（3）利用验证数据评估模型效果。如果效果满意。结束训练；如果效果不显著，修改模型重新进行训练。
这里再介绍一种验证方法——交叉验证
简单的说，交叉验证就是不保留数据的原始划分，而是重复划分数据。比例一定，但数据划分范围不同，是从训练过程中随机选出的。
主要分以下三个大类：
监督学习的应用最为广泛。在监督学习中，每个训练数据集均由输入与标准输出构成的数据对构成。标准输出是模型对该输入应生成的预期结果。
{input,correctoutput}
类似于之前的教婴儿认识苹果，苹果这个物体就是数据，它包含苹果的各种特征，比如颜色、大小、触感等等，对用的输出结果就是苹果，婴儿需要学会通过大脑收集到的信息对其进行判断。这就是监督学习。
而在无监督学习中，训练数据仅包含输入，而不包含标准输出。
{input}
无监督学习通常用于分析数据的特征，并对数据进行预处理。再类比于教婴儿学习苹果，无监督学习相当于没有人告诉宝宝啥是苹果和梨子，而是把一堆水果塞给宝宝，让他自己根据特征分出两个种类，这个过程就相当于提取物体的关键特征。
增强学习利用输入、某些输出以及评分组成的数据集作为训练数据。它通常用在需要优化折中的情况，例如控制和博弈问题。
{input，someoutput，gradeforthisoutput}
监督学习最常见的两类应用就是分类（classification）和回归（regression）。
{input，class}//class种类即对应这数据的标准输出。
回归不判定类别，而是预测数值。针对对以后数据的学习，得到一个模型，可对新输入的数据进行值的预测。比如天气预测、股票预测等等。
总之，分类是分析研究利用模型来判别输入数据属于哪一种类别；回归是分析利用模型来估计数据的趋势。