目录
1、Amazon SageMaker Notebook 计算环境
人工智能(AI)
制造智能机器和程序
强人工智能：通用性智能，类似人类思考
弱人工智能：特殊的应用，本身并不智慧
机器学习
无需严格编程就具备学习能力
弱人工智能的一种方法
采用数据集训练模型
根据模型来做一个预测
深度学习
基于深度神经网络科学
机器学习的一种方法(Method)
总得来说，他们三者之间的关系大致如下图：
人工智能与机器学习正在影响各行各业
媒体与娱乐
健康与医疗
个性化推荐
金融服务交易
客户体验
亚马逊在人工智能领域的大量深度创新
商品智能推荐
机器人与物流创库
新产品
供应链管理
智慧呼叫中心
无人值守商店
机器学习需要做什么？
构建训练管道
机器学习的简单分类
监督学习（Supervised Learning）就是已经有了数据和数据对应的正确标签，比如猫狗的图片分类。常用经典算法分类、线性回归、逻辑回归、支持向量机、决策树、朴素贝叶斯分类器等等。
非监督学习（Unsupervised Learning）就是已经有了数据，但是没有数据所对应的标签，比如手写体的识别。K-Means算法、PCA（主成分分析）等算法。
强化学习（Reinforcement Learning 简称RL）就是在某个特定的环境下自主行动的个体，透过和环境之间的互动，而不断改进它的行为。简单来说，就是让计算机实现从一开始什么都不懂, 脑袋里没有一点想法, 通过不断地尝试, 从错误中学习, 最后找到规律, 学会了达到目的的方法. 这就是一个完整的强化学习过程. 实际中的强化学习例子有很多. 比如近期最有名的 Alpha go、无人驾驶。
总得来说，监督学习中有已知的输入数据和输出数据，相当于看着样本学习。非监督学习中没有输出数据，相当于自己学习。其学习目的是找到输入数据中存在的结构(Structure)和模式(Pattern)。强化学习即没有输入数据也没有输出数据，只有某种规则，相当于试错学习。其目的是在大量可能路径中寻找最佳决策或者路径。
基于人工神经网络的深度学习
所谓的人工神经网络，就是所有神经元之间的连接都是固定不可更换的， 这也就是说,，在人工神经网络里,，没有凭空产生新联结这回事。人工神经网络典型的一种学习方式就是，我已经知道吃到糖果时，手会如何动，但是我想让神经网络学着帮我做这件动动手的事情。所以我预先准备好非常多吃糖的学习数据，然后将这些数据一次次放入这套人工神经网络系统中，糖的信号会通过这套系统传递到手。然后通过对比这次信号传递后，手的动作是不是”讨糖”动作，来修改人工神经网络当中的神经元强度。这种修改在专业术语中叫做”误差反向传递”，也可以看作是再一次将传过来的信号传回去，看看这个负责传递信号神经元对于”讨糖”的动作到底有没有贡献，让它好好反思与改正，争取下次做出更好的贡献。
人工神经网络靠的是正向和反向传播来更新神经元，从而形成一个好的神经系统，本质上, 这是一个能让计算机处理和优化的数学模型。
深度学习浪潮
机器学习工作流程
什么是 Amazon SageMaker？
Amazon SageMaker 是一项完全托管的机器学习服务。借助 Amazon SageMaker，数据科学家和开发人员可以快速、轻松地构建和训练机器学习模型，然后直接将模型部署到生产就绪托管环境中。它提供了一个集成的 Jupyter 编写笔记本实例，供您轻松访问数据源以便进行探索和分析，因此您无需管理服务器。此外，它还可以提供常见的机器学习算法，这些算法经过了优化，可以在分布式环境中高效处理非常大的数据。借助对自带算法和框架的原生支持，Amazon SageMaker 可以提供灵活并且适合具体工作流程的分布式训练选项。通过在 Amazon SageMaker 控制台中单击来启动模型，即可将模型部署到安全的、可扩展的环境。训练和托管按使用分钟数计费，没有最低费用，也不需要前期承诺。
机器学习对日常开发来说太复杂
机器学习对日常开发来说不复杂
Amazon SageMaker组件
1、Amazon SageMaker Notebook 计算环境
2、Amazon SageMaker 算法
3、Amazon SageMaker 训练服务
4、Amazon SageMaker 部署服务
围绕数据的 “飞轮 ”