摘要：人工智能通过机器学习模拟人类智能，涵盖学习、推理与自我修正能力。机器学习分为监督学习（使用标注数据训练）和无监督学习（自主挖掘数据特征），应用于语音识别、图像处理等领域。深度学习是机器学习的子集，通过数据训练提升系统性能。监督学习通过最小化误差优化模型，而无监督学习则用于聚类分析，两者处理流程均包括数据标准化、模型构建与验证等步骤。
目录
人工智能的理解
人工智能是指利用机器和专用计算机系统模拟人类智能的过程，其核心范畴包括学习、推理与自我修正能力。人工智能的应用领域涵盖语音识别、专家系统、图像识别以及机器视觉等。
机器学习是人工智能的一个分支，研究的是能够学习新数据、识别数据模式的系统与算法。
我们可以通过下文提及的维恩图来理解机器学习和深度学习的相关概念。人工智能＞机器学习＞深度学习
机器学习是人工智能的组成部分，而深度学习又是机器学习的子集。遵循机器学习理念开发的程序，能够通过对观测数据的学习提升自身性能。数据转换的核心目的，是让系统积累更多知识，从而在未来输出更理想的结果，让输出值更贴近该系统的预期目标。机器学习包含模式识别技术，即从数据中识别规律和模式的能力。
这些数据模式需要经过训练，才能让系统输出符合预期的结果。
机器学习主要有两种训练方式：监督式训练无监督式训练
监督学习
监督学习（监督式训练）的流程为：将训练集作为输入提供给系统，且训练集中的每个样本都标注了对应的预期输出值。这类训练通过最小化特定的损失函数实现，该函数用于衡量系统实际输出相对预期输出的误差。
训练完成后，会利用与训练集相独立的样本（即验证集）来检验各个模型的准确率。流程：原始数据→标准化数据→训练集构建模型→分析与调优→验证集验证→决策→处理新数据
监督学习的典型案例：给模型输入带有相关信息标注的图片集，通过训练，模型能够实现对新图片的识别。
无监督学习
在无监督学习（无监督式训练）中，训练样本并未被标注其所属的类别。系统会自主挖掘数据间的共同特征，并结合自身的知识特征对数据进行分析处理。这类学习算法主要应用于聚类问题。
无监督学习的典型案例：给模型输入无任何信息标注的图片集，模型通过分类和聚类算法完成训练。由于缺乏标注信息，这类训练算法的运行需基于一定的假设条件。流程：原始数据→标准化数据→构建模型→分析→验证→应用模型→处理新数据
