大数据：针对大规模数据的存储和计算，强调框架搭建和编程实现。偏向计算机实现。
机器学习：以底层算法的深入理解，能按问题选择合适的算法并作出一定的改进。偏向理论研究优化。
人工智能：结合机器学习算法，面向现在的大数据环境，实现智能交互。包含前两者，但还涉及其他更多的内容。就现在来说，离真正的人工智能还是比较远，现在的各种算法实现还不足以攀登真正的人工智能。

那两页书，在《雪山飞狐》的剧情中也出现过。读了四页《胡家刀法》的游医，转身成了独霸一方的江洋大盗。遇到对的老师，对的读物，绝对可以少走很多弯路。

之前读了几课就落下了。
昨天早上到现在，除了吃饭睡觉，从第一课开始一口气读完。对大数据技术甚至人工智能技术的全貌和原理有了清晰的理解。

谢谢智慧哥。

老师想问一下模型类型是手动确定的还是可以机器自动识别确定？在数据维度多的时候感觉很难确定是线性，还是指数，或者曲线？

老师您好，我想学习关于工业自动化、仪器仪表、机器视觉系统的相关内容，应该选什么课程，这个课程合适吗

看到作者大学经历那一节，顺便说一下。大学教科书的内容偏严谨。这种严谨需要老师来给学生带来场景和直观感，如果照本宣科，就是作者的经历，只有少数联想丰富的同学能找到自己的直观感。

看到这个专栏从大数据概念讲到了AI，我虽不是从事研发岗位，但从项目交付及实际应用的角度来看，大部分AI项目主要是利用到了分布式存储环境以及任务调度框架这两个核心模块，具体说就比如hdfs存储各种数据集合，yarn来做训练或预测任务的调度执行，也有直接用k8s来对接的，请老师指正

老师算法工程师，是不是也是直接调库，调参的。还是自己去写代码实现

函数 就是函数呗 叫模型 显的高大上？数学上的概念 都很精练 但是一般文字描述很难说明白，就开始各种公式，对不熟悉的人半天搞不能白！数学公式中的符号选择不知道到底有什么规律 比如f(x)知道是什么意思，f|Y是个什么鬼？直接Y=f(x)可以看懂！再复杂的都已经还给老师啦或者老师压根就没给过我！码农的数学硬伤啊 表示对数学符号完全懵懵懵

通过这一节的阅读机器学习，对其机器学习背后的原理有了一些认识。通过对样本数据进行贴标签和已有的训练样本集，在适当的模型中去训练这些样本集，通过海量的参数调优来找到最优的函数。

在调优的过程中，会有模型预测与真实预测值得差距，这就是损失函数，在此基础上，为了让损失函数最小，引入了结构分险，使得结果临近精准。