人工智能的实现是基于机器学习，机器学习的一个方法是神经网络，以及各种机器学习算法库。
有监督学习：一般数据构成是【特征值+目标值】
无监督学习：一般数据构成是【特征值】
Scikit-learn(sklearn)的定位是通用机器学习库，传统的机器学习库。
sklearn主要适合中小型的、实用机器学习项目，尤其是那种数据量不大且需要使用者手动对数据进行处理，并选择合适模型的项目。这类项目往往在CPU上就可以完成，对硬件要求低 。
sklearn更倾向于使用者可以自行对数据进行处理，比如选择特征、压缩维度、转换格式，是传统机器学习库，SKLearn中，因为做了上层的封装，分类模型、回归模型、聚类与降维模型、预处理器等等都叫做估计器(estimator)
① 机器学习基础知识 ：机器学习定义与四要素：数据、任务、性能度量和模型。机器学习概念，以便和SKLearn对应匹配上。
② SKLearn讲解 ：API设计原理，SKLearn几大特点：一致性、可检验、标准类、可组合和默认值，以及SKLearn自带数据以及储存格式。
③ SKLearn三大核心API讲解 ：包括估计器、预测器和转换器。这个板块很重要，大家实际应用时主要是借助于核心API落地。
④ SKLearn高级API讲解 ：包括简化代码量的流水线(Pipeline估计器)，集成模型(Ensemble估计器)、有多类别-多标签-多输出分类模型(Multiclass 和 Multioutput 估计器)和模型选择工具(Model Selection估计器)。
TensorFlow(tf)的定位主要是深度学习库，tf主要适合已经明确了解需要用深度学习，且数据处理需求不高的项目。这类项目往往数据量较大，且最终需要的精度更高，一般都需要GPU加速运算
不过小样本的也可以使用Tf的Keras来完成：一般使用流程
model = Sequential() # 定义模型
model.add(Dense(units=64, activation='relu', input_dim=100)) # 定义网络结构
model.add(Dense(units=10, activation='softmax')) # 定义网络结构
model.compile(loss='categorical_crossentropy', # 定义loss函数、优化方法、评估标准
optimizer='sgd',
metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5, batch_size=32) # 训练模型
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128) # 评估模型
classes = model.predict(x_test, batch_size=128) # 使用训练好的数据进行预测
常用：
model.fit训练
loss,accuracy = model.evaluate模型评估计算准确率
model.predict预测
model.summary 打印模型结构
model.get_config
DNN介绍：
深度神经网络(DNN)是一种多层无监督神经网络，并且将上一层的输出特征作为下一层的输入进行特征学习，通过逐层特征映射后，将现有空间样本的特征映射到另一个特征空间，以此来学习对现有输入具有更好的特征表达。深度神经网络具有多个非线性映射的特征变换，可以对高度复杂的函数进行拟合。如果将深层结构看作一个神经元网络，则深度神经网络的核心思想可用三个点描述如下:
(1)每层网络的预训练均采用无监督学习；
(2)无监督学习逐层训练每一层，即将上一层输出作 下一层的输入；
(3)有监督学习来微调所有层(加上一个用于分类的分类器)。
深度神经网络与传统神经网络的主要区别在于训练机制。
为了克服传统神经网络容易过拟合及训练速度慢等不足，深度神经网络整体上采用逐层预训练 的训练机制，而不是采用传统神经网络的反向传播训练机制。
优点：
- 克服了人工设计特征费时、费力的缺点；
- 通过逐层数据预训练得到每层的初级特征；
- 分布式数据学习更加有效（指数级）；
- 相比浅层建模方式，深层建模能更细致高效的表示实际的复杂非线性问题。
DNN模型的神经网络层分为三类，其中第一层为输入层，最后一层为输出层，中间都为隐藏层。每一层之前是完全连接的，整体上看是复杂的，但从局部来看，实质上还是感知机模型。DNN可拟合任意函数。