Lesson Summary: Deep Learning and Machine Learning深度学习与机器学习课程总结

1. 人工智能（AI）相关术语的区分

数据科学中使用的 AI 相关术语具有层次关系：AI $\supset$ 机器学习 $\supset$ 深度学习。

• 人工智能 (AI): 计算机科学的一个分支，包括开发能够模仿人类智能相关任务的系统。
• 机器学习 (Machine Learning, ML): 是 AI 的一个子集。它使用计算机算法学习数据并进行预测，而无需在系统中明确编程分析方法。
• 深度学习 (Deep Learning, DL): 是 ML 的一个子集。它使用分层神经网络来模拟人类决策。
  • 特性: 随着数据量的增加，深度学习算法会变得更高效，而其他机器学习算法则可能达到平台期。
• 神经网络 (Neural Network): 由称为神经元（neurons）的小型计算单元组成，它们接收输入数据并随着时间推移学习做出决策（例如，区分狗和猫）。
  
• 生成式 AI (Generative AI): 是 AI 的另一个子集。它专注于生成新的数据（例如图像、音乐、语言和代码），而不是仅分析现有数据。
  • 应用: 可以创建具有与原始数据集相似特征的合成数据，数据科学家在数据不足时可用于模型训练和测试。

2. 数据科学家如何利用 AI

作为数据科学家，您将利用机器学习算法从数据中获取洞察，主要应用包括：

• 预测分析 (Predictive Analytics): 使用 ML 算法进行预测。
• 推荐系统 (Recommendations): 基于用户习惯推荐内容。
• 欺诈检测 (Fraud Detection): 根据过去的购买习惯，识别信用卡欺诈购买行为。

3. 回归模型在机器学习中的作用

机器学习算法严重依赖于一种称为回归（Regression）的统计技术。

• 定义: 回归用于识别一个或多个输入与一个输出之间相关性的强度和数量。
• 示例: 确定房屋价格如何根据其平方英尺和卧室数量而增加，以及对这种关系的置信度有多高。

---

总结： 生成式 AI 生成新数据，深度学习是机器学习的子集，而机器学习又是人工智能的子集。数据科学家利用 AI 的这些领域以及大数据进行预测。