k均值例子数据挖掘_人工智能、数据挖掘、机器学习和深度学习的关系

一、人工智能

人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。

实际应用比如：机器视觉，指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，自动规划，智能搜索，定理证明，博弈，自动程序设计，智能控制，机器人学，语言和图像理解，遗传编程等。

二、数据挖掘

数据挖掘(Data Mining)，资料探勘、数据采矿。它是数据库知识发现(英语：Knowledge-Discovery in Databases，简称：KDD)中的一个步骤。数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现上述目标。

数据挖掘的过程是：

1.数据集选取

2.数据预处理

(1)数据清理 (2)数据集成 (3)数据归约 (4)数据变换和数据离散化

3.数据分析

4.分析总结改进

三、机器学习

机器学习(Machine Learning)的核心是“使用算法解析数据，从中学习，然后对世界上的某件事情做出决定或预测”。这意味着，与其显式地编写程序来执行某些任务，不如教计算机如何开发一个算法来完成任务。

是计算机利用已有的数据(经验)，得出了某种模型(迟到的规律)，并利用此模型预测未来(是否迟到)的一种方法。

有三种主要类型的机器学习：监督学习、非监督学习和强化学习

其中机器学习的经典算法：

1、监督学习算法：决策树、朴素贝叶斯、线性回归，逻辑回归，神经网络，支持向量机SVM、K最近邻算法KNN、集成学习、Adaboost 算法、

2、无监督学习算法：聚类算法，降维算法、K均值算法K-means、主成分分析PCA、奇异值分解SVD、独立成分分析ICA、随机森林RF

3、强化学习：Q-Learning、马尔科夫决策过程MDP

4、半监督学习：图论推理算法(Graph Inference)或者拉普拉斯支持向量机(Laplacian SVM

神经网络可以采用有监督和无监督两种方式来进行训练

四、深度学习

深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如，人脸识别或面部表情识别)。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。

同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分．不同的学习框架下建立的学习模型很是不同。

例如，卷积神经网络(Convolutional neural networks，简称CNNs)就是一种深度的监督学习下的机器学习模型，而深度置信网(Deep Belief Nets，简称DBNs)就是一种无监督学习下的机器学习模型。

五、人工智能与机器学习、深度学习的关系

严格意义上说，人工智能和机器学习没有直接关系，只不过目前机器学习的方法被大量的应用于解决人工智能的问题而已。目前机器学习是人工智能的一种实现方式，也是最重要的实现方式。

早期的机器学习实际上是属于统计学，而非计算机科学的;而二十世纪九十年代之前的经典人工智能跟机器学习也没有关系。所以今天的AI和ML有很大的重叠，但并没有严格的从属关系。

不过如果仅就计算机系内部来说，ML是属于AI的。AI今天已经变成了一个很泛泛的学科了。

深度学习是机器学习现在比较火的一个方向，其本身是神经网络算法的衍生，在图像、语音等富媒体的分类和识别上取得了非常好的效果。

所以，如果把人工智能与机器学习当成两个学科来看，三者关系如下图所示：