人工智能是我们想要达到的目标，即让机器和人一样智能。
而机器学习是方法，让机器从数据中学习，从而得到智能的方法。

智能是什么呢？对于人类智能而言，根据霍华德·加德纳的多元智能理论，人类的智能分为以下七种智能：

• 语言智能：能说会写。
• 逻辑智能：数学和逻辑能力强。
• 空间智能: 能够对空间进行建模，并且利用该模型进行控制。
• 音乐智能：音感好，音调佳。
• 身体运动智能: 使用身体来解决问题或者制造产品的能力。具有这种能力的人，可能会成为舞蹈演员、外科医生、手工艺者、运动员等。
• 人际关系智能：具有同理心，能够理解别人。
• 内省智能：形成一个准确、真实的自我模型，并且能够适应社会，创造美好的生活。

这不仅涵盖了现在人工智能的研究领域，计算机视觉、语音识别、自然语言处理等。而且也指明了未来AI的发展方向，即艺术、思考等。

人们模仿生物的本能（人类智能）去设计一些机器，如聊天机器人。但是已有的很多产品是基于规则的实现方式。如只要出现了"turn off"就会关闭机器（如智能音箱），但如果你说的是don’t turn off，依然会关闭。基于手工规则的构建方式，无法穷举所有的可能，而且无法超越创造者。因为规则本身只是一种简单的运算（本质上还是做匹配），是无法去学习规则的。

在我们现如今的技术能力下，研究的AI本质上是Narrow AI，即针对某一类任务的AI，而不是全能性AI。

因此，现如今，机器学习的本质是针对某一特定的任务寻找正确的函数（在函数空间中寻找正确（相对）的函数，见下图所示）。问题：此处的机器学习是属于哪个学派呢？

那我们机器学习的框架是什么呢？
1.定义函数空间（函数集合）。
2.选择评估函数（损失函数）。
3.在函数空间中，根据评估函数（损失函数）选出最优函数，此时会把训练数据和损失函数同时作为输入求出最优模型。

首先，根据数据维度进行划分，可以分为以下四类大任务：

• 监督学习（大量有标签数据）
• 半监督学习（少量有标签数据+大量无标签数据）
• 无监督学习（大量无标签数据）
• 强化学习（根据反馈结果(critics)不断进行学习）

在监督学习这个任务下，有比较常见的子任务：

• 回归
• 分类（线性模型和非线性模型：深度学习、SVM、DT、KNN）
• 结构化（输出是结构化数据，如文字、语音、图像等）