在本文中，我将描述数据分析是如何与机器学习相关的，还将揭开机器学习中的一些荒唐和错误的说法，并解释机器学习的过程和类型。
如果你不是一个人工智能专家，不要担心，我不会提及线性回归和k-均值聚类。
数据分析和机器学习
如果你认为大数据仅仅是关于SQL语句查询和海量的数据的话，那么别人也会理解你的，但是大数据真正的目的是通过对数据的推断，从数据中获取价值、从数据中发现有用的东西。例如，“如果我降低5%的价格，我将增加10%的销售量。”
数据分析是重要的技术，包括如下方面:
• 描述性分析:确定所发生的事情。这通常涉及到描述发生了什么现象的报告。例如，用这个月的销售额与去年同期进行比较的结果。
• 特征性分析:解释现象发生的原因，这通常涉及使用带有OLAP技术的控制台用以分析和研究数据，根据数据挖掘技术来找到数据之间的相关性。
• 预测性分析:评估可能发生的事情的概率。这可能是预测性分析被用来根据你的工作性质、个人兴趣爱好，认为你是一个潜在的读者，以便能够链接到其他的人。
机器学习适合于预测性分析。
1 形态学基本操作
1.1 膨胀
膨胀：就是求局部最大值的操作。
按数学方面来说，膨胀或者腐蚀操作就是将图像（或图像的一部分区域，我们称之为A）与核（我们称之为B）进行卷积。
核可以是任何的形状和大小，它拥有一个单独定义出来的参考点，我们称其为锚点（anchorpoint）。多数情况下，核是一个小的中间带有参考点和实心正方形或者圆盘，其实，我们可以把核视为模板或者掩码。
膨胀是求局部最大值的操作：核B与图形卷积，即计算核B覆盖的区域的像素点的最大值，并把这个最大值赋值给参考点指定的像素。这样就会使图像中的高亮区域逐渐增长。
如下图所示，这就是膨胀操作的初衷。
在本文中，我们将研究深度学习和机器学习之间的差异。我们将逐一了解它们，然后讨论他们在各个方面的不同之处。除了深度学习和机器学习的比较外，我们还将研究他们未来的趋势和走向。
深度学习与机器学习简介
一、什么是机器学习？
通常，为了实现人工智能，我们使用机器学习。我们有几种算法用于机器学习。例如：
Find-S算法
决策树算法（Decision trees）
随机森林算法（Random forests）
人工神经网络
通常，有3种类型的学习算法：
1，监督机器学习算法用于进行预测。此外，该算法搜索分配给数据点的值标签内的模式。
2，无监督机器学习算法：没有标签与数据点相关联。这些ML算法将数据组织成一组簇。此外，它需要描述其结构，使复杂的数据看起来简单，有条理，便于分析。
3，增强机器学习算法：我们使用这些算法来选择动作。此外，我们可以看到它基于每个数据点。一段时间后，算法改变其策略以更好地学习。
二、什么是深度学习？
前面的一系列文章的优化算法有一个共同的特点，就是对于每一个参数都用相同的学习率进行更新。但是在实际应用中各个参数的重要性肯定是不一样的，所以我们对于不同的参数要动态的采取不同的学习率，让目标函数更快的收敛。
adagrad方法是将每一个参数的每一次迭代的梯度取平方累加再开方，用基础学习率除以这个数，来做学习率的动态更新。这个比较简单，直接上公式。
公式推导
∇θiJ(θ) 表示第 i 个参数的梯度，对于经典的SGD优化函数我们可以这样表示
世界各地的企业都在迅速利用物联网( IoT )来创造新产品和服务，从而开辟新的商业机会并创造新的商业模式。 由此带来的转变开启了一个新的时代，即企业如何运营并与客户保持互动。然而，利用物联网只是故事的一部分。
为了让企业充分发挥物联网潜力，他们需要将物联网与快速发展的人工智能( AI )技术相结合，使“智能机器”能够模拟智能行为，并在很少或没有人为干预情况下做出明智决策。
人工智能( AI )和物联网( IoT )被认为是2017年颠覆业务的驱动因素。但是，这些2个术语到底意味着什么，他们之间的关系又是什么? 让我们首先定义这两个术语：
物联网被定义为由相互连接的物理对象、传感器、致动器、虚拟对象、人员、服务、平台和网络组成的系统，它们具有单独的标识符和独立传输数据能力。物联网应用例子包括智慧农业、智能家居、智能交通、远程患者监控和无人驾驶汽车等。总之，物联网是从环境中收集和交换信息的“物体”网络。
神经网络的基本思想是模拟计算机“大脑”中多个相互连接的细胞，这样它就能从环境中学习，识别不同的模式，进而做出与人类相似的决定。
典型的神经网络是由数千互连的人工神经元组成，神经元是构成神经网络的基本单位。这些神经元按顺序堆叠在一起，以称为层的形式形成数百万个连接。单位划分如下:
○ 输入单元：用于接收外部环境的信息；
○ 隐藏单元：隐藏层将所需的计算及输出结果传递给输出层；
○ 输出单元：输出信号表明网络是如何响应最近获得的信息。
多数神经网络都是“全连接的”，也就是说，每一个隐藏单元和输出单元都与另一边的所有单元相连接。每个单元之间的连接称为“权重”，权重可正可负，这取决于它对另一个单元的影响程度。权重越大，对相关单元的影响也就越大。
前馈神经网络是一种最简单的神经网络，各神经元分层排列。每个神经元只与前一层的神经元相连。接收前一层的输出，并输出给下一层，各层间没有反馈。是目前应用最广泛、发展最迅速的人工神经网络之一。
下面将就神经网络与深度学习发展的几大重要趋势进行讨论：
胶囊网络（Capsule Networks）
前面几篇文章介绍的是图像的空间域滤波，其对像素的处理都是基于像素的某一邻域进行的。本文介绍的图像的灰度变换则不同，其对像素的计算仅仅依赖于当前像素和灰度变换函数。
灰度变换也被称为图像的点运算（只针对图像的某一像素点）是所有图像处理技术中最简单的技术，其变换形式如下：
图像灰度变换的有以下作用：
• 改善图像的质量，使图像能够显示更多的细节，提高图像的对比度（对比度拉伸）
• 有选择的突出图像感兴趣的特征或者抑制图像中不需要的特征
• 可以有效的改变图像的直方图分布，使像素的分布更为均匀
常见的灰度变换
灰度变换函数描述了输入灰度值和输出灰度值之间变换关系，一旦灰度变换函数确定下来了，那么其输出的灰度值也就确定了。可见灰度变换函数的性质就决定了灰度变换所能达到的效果。
一、理论基础
1、三维场景中创建图像
第一步：透视投影。这是一个将三维物体的形状投影到图像表面上的几何过程，这一步只需要连接从对象特征到眼睛之间的线，然后在画布上绘制这些投影线与图像平面相交的轮廓。
第二步：添加颜色。图像轮廓绘制好之后，给它的骨架添加颜色，这样就完成了三维场景中的图像创建过程。
一、分类模型评估
1、混淆矩阵（confusion matrix）
TP(True Positive) —- 将正类预测为正类数
FN(False Negative) —- 将正类预测为负类数
FP(False Positive) —- 将负类预测为正类数
TN(True Negative) —- 将负类预测为负类数
为什么要使用卷积呢？
在传统的神经网络中，比如多层感知机（MLP），其输入通常是一个特征向量，需要人工设计特征，然后将这些特征计算的值组成特征向量，在过去几十年的经验来看，人工找到的特征并不是怎么好用，有时多了，有时少了，有时选择的特征根本就不起作用（真正起作用的特征在浩瀚的未知里面）。这就是为什么在过去卷积神经网络一直被SVM等完虐的原因。
如果有人说，任何特征都是从图像中提取的，那如果把整副图像作为特征来训练神经网络不就行了，那肯定不会有任何信息丢失！那先不说一幅图像有多少冗余信息，单说着信息量就超级多。。。
假如有一幅1000*1000的图像，如果把整幅图像作为向量，则向量的长度为1000000（10^6）。在假如隐含层神经元的个数和输入一样，也是1000000；那么，输入层到隐含层的参数数据量有10^12，妈呀，什么样的机器能训练这样的网络呢。所以，我们还得降低维数，同时得以整幅图像为输入（人类实在找不到好的特征了）。于是，牛逼的卷积来了。接下来看看卷积都干了些啥。
CNN卷积神经网络层级结构