用数据来训练模型
数据——拿西瓜举例 *数据集 ：100个西瓜 *样本：1个西瓜 *特征向量：样本空间 *属性：颜色
通过学习算法：自己学习和训练
得到模型： 有监督学习（有一个非常明确的答案）： 1.分类问题 二分类——正负、这个西瓜摘与不摘 多分类——Y>=2 ,市场上要买哪种西瓜 2.回归问题（是一个连续值） 正确的解为Y=R实数集 某段时间内的西瓜，那个时间买西瓜合适
无监督学习（输入的数据没有指定答案）：聚类问题 1.我们不知道分几类，机器自己分。每个组成为“簇”（cluster）
进行测试（predicting）： 测试（testing）、测试样本、泛化能力(能预测没见过的数据的能力)
假设空间 :科学推理的手段(归纳和演绎) 归纳：狭义上从训练数据中得到概念，布尔概念(是或不是），广义上是从样本中学习 演绎：从一般到特殊
归纳偏好 同一个数据集训练出了不同的模式，问该如何选择。 原则：奥卡姆剃刀（也就是选最简单的那个，不同的点都能得到正确的答案，但要取最优的那个）
人为干涉越少越好，机器的自我修正能力
神经网络基础： 单层感知器、现行神经网络、BP神经网络、Hopfield神经网络
发展流程： 单层感知器——>BP神经网络——>卷积神经网络——>残差神经网络 单层感知器——>BP神经网络——>RNN(递归神经网络）——>LSTM
单层感知器——>Hopfield神经网络——>玻尔兹曼机——>受限玻尔兹曼机（联合BP神经网络）——>深度置信网络
