AI：Machine Learning Data Science

机器学习与数据科学

左侧

机器学习 Machine Learning

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

它是人工智能核心，是使计算机具有智能的根本途径。机器学习 - 入门

开发语言 Development language

• Welcome to Python.org

工作环境 Work Environment

• Project Jupyter | Home
• Download Anaconda Distribution | Anaconda

数据分析

• 数值计算

  • NumPy（Numerical Python）是Python的一种开源的数值计算扩展

• 数据分析 Data Analysis
  • Pandas 教程
• 数据可视化  Data Visualization
  • Matplotlib 教程

右侧

数据工程 Data Engineering

数据工程是构建和维护数据基础设施的学科，专注于数据的采集、存储、处理和分析，以支持数据驱动的决策和应用。它是数据科学和机器学习的基础，提供高质量的数据支持。

神经网络 Neural Networks

神经网络是一种模仿人脑神经元结构的计算模型，通过多层节点处理输入数据并提取特征。它是深度学习的核心组成部分，广泛应用于图像识别、自然语言处理等领域。

CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)概念区分理解-腾讯云开发者社区-腾讯云

迁移学习 Transfer Learning 

迁移学习是一种机器学习方法，通过将在一个任务上训练好的模型应用于另一个相关任务，从而减少新任务的数据需求和训练时间。它常与深度学习结合，利用预训练模型加速新任务的学习。

深度学习之---迁移学习-CSDN博客

深度学习 Deep learning

深度学习是机器学习的一个分支，基于多层神经网络自动提取数据的复杂特征。它适用于图像、语音、文本等非结构化数据，是当前人工智能的核心技术之一。

深度学习简史（一）-腾讯云开发者社区-腾讯云

时间序列 Time series

时间序列是按时间顺序排列的一组数据，用于分析随时间变化的趋势和模式。时间序列分析广泛应用于经济预测、气象预报等领域，通常使用机器学习或深度学习方法进行建模和预测。

时间序列(time series)系列1—简介 - 简书

监督学习 supervision learning

监督学习是一种机器学习方法，通过标记的训练数据（输入和输出对）训练模型，使其能够预测新数据的输出。它是机器学习的核心方法之一，广泛应用于分类和回归任务。

• 分类 Classification

• 回归 Regression

机器学习：监督学习、无监督学习、半监督学习、强化学习-CSDN博客

Scikit-learn

Scikit-learn（以前称为scikits.learn，也称为sklearn）是针对Python 编程语言的免费软件机器学习库。

Scikit-Learn快速入门-CSDN博客

右侧关系

• 数据工程为神经网络、深度学习和监督学习提供高质量的数据支持。
• 神经网络是深度学习的核心技术，而深度学习是迁移学习的基础。
• 迁移学习利用预训练的深度学习模型加速新任务的学习。
• 时间序列分析可以使用监督学习或深度学习方法进行建模。
• 监督学习是机器学习的基础方法，与深度学习和迁移学习密切相关。 

人工智能、机器学习、深度学习和数据科学的关系