正向学习神经元结构和计算方式：其中为输入，x1,x2,x3为输入，b为偏置(一个常量)，可以偏置将其视作一个权重为1的输入，为输入的加权和，为非线性的激活函数，用于将线性关系转换为非线性关系。

bp神经网络的优点和缺点：背景：1986年，适用于多层感知器（MLP）的反向传播（BP）算法被提出。BP网络实质：使用BP算法进行训练的多层前馈神经网络。缺陷：BP算法在1991年被指出存在“梯度消失”问题。

感知机的优点和缺点：特点：不同于M-P模型，感知器模型可以从样例中学习，并采用梯度下降法自动更新参数。缺陷：感知机只能解决线性可分问题，无法解决“异或”这种线性不可分问题。

机器学习特征选择概念：根据所特征选择是在原有的特征基础上筛选出重要的特征，以达到降低特征维度的目的。数据特征维度可能成千上万，这会造成维度灾难，过多的特征可能会造成计算缓慢，就需要找出冗余特征、贡献度低的特征，把这些特征剔除掉。机器学习特征选择的三种方法：1、Filter过滤法特征重要度排序，相关系数等，主要方法：卡方、方差、相关系数等。2、Wrapper包装法搜索优化、特征组合比较，如RFE算法。3、Embedded嵌入法学习模型的过程中，挑选出那些对模型训练有重要性的特征。特征和模型是分不开的，选择的特征不同训练的模型也是不同的。

数据预处理与可视化分析：数据预处理可以分为数据清洗、数据变换等。数据清洗是对缺失值、异常值等处理，可采用插值方法，例如用平均值、中位数、众数、近邻数、回归方法进行补全或直接删除记录等。数据变换是对数据进行函数变换、规范化处理。数据的可视化分析能让数据变得通俗易懂和直接表达所传递的信息。在数据特征预处理后进行可视化分析，可以有效的帮助我们了解数据集的分布规律，对数据理解的越充分，越容易找到更好的特征，进行后续的机器学习建模。如统计分布：直方图、饼图、散点图、树等。

数据集的划分方法：机器学习需要大量的数据样本、这些样本即为数据集、针对特定领域解决某个问题，就需要特定领域的数据（自建，公开数据集、伪数据集）。划分方法：训练集、开发集和测试集。具体方法：留出法，交叉验证法。根据经验,数据集的划分在小的数据集上采用70/30或者60/20/20法则。但是数据集很大比如有100万的时候，98/1/1会更加合理。一般来讲要让验证和测试能反映真实的使用场景。

人工智能机器学习的基本流程：1、收集数据集日志，公开数据集、自建数据集。2、数据预处理数据类型、格式等。3、输入分析可视化分析数据的分布规律、可视化显示，更直观的看出数据分布和特征的异常。4、特征工程挖掘代表性的特征5、模型预测新数据算法学习、模型保存（网络结构、参数）。5、测试与参数调优模型验证、评估、优化参数。6、训练算法模型实际数据按照数据预处理的格式整理为格式化数据、利用算法模型进行实际工作环境中执行预测任务。

人工智能机器学习的分类是什么：机器学习可划分为：监督学习、无监督学习、半监督学习，增强学习等。1、监督学习：人工标注样本集，包括样本的属性特征和类别标签两部分，同时给计算机学习，学习属性特征和类别标签内在的关系。（分类和回归）；2、无监督学习：事先没有人工标注的样本、不知道原始结果是什么样子、给定的数据没有标签。最常用的任务是聚类、自动的将数据集分成不同的簇；3、半监督学习：同时利用了人工标记的样本数据和未标记的样本数据，半监督学习的目的是利用现有的数据学习训练出更好的模型，也就是可以自动的利用未标注的样本数据来提高学习性能；4、增强学习：它关注的是智能体如何在环境中采取一系列的行为，从而获得最大积累回报。通过增强学习，一个智能体知道在什么状态下应采取什么行为，其中从环境状态到动作映射的学习称之为策略。

机器学习的定义是什么：主要通过从大量的数据中研究计算方法、利用经验来改善系统性能的一门学科，机器学习用到了统计学的知识、基于已有数据设计算法训练产生一定的模型,当有新的数据来临时，利用模型给出判断。从数据中学习规律来帮助人们进行预测或判断。将标注样本给计算机学习的过程称为训练，计算机会根据设计的算法从标注样本中学习参数，并最终学习一个能识别水果的模型。比如紫色、小圆，一串串的是葡萄。

非确定性推理的基本问题：非确定性推理，指在推理过程中，由于各种偶然性误差、干扰以及证据的不确定性等因素，导致所获得的结果或结论本身具有未知可否的不确定性。在人类思维活动中，不确定性是绝对的，其表现形式多种多样，主要表现为随机性、模糊性、不完全性、不一致性等。