2. 机器学习。
普通地说，便是让机器自己学习，然后用学到的知识来辅导进一步的判断。
举个最大略的例子，当我们演习一只小狗去抓飞碟时，当小狗收到并交付给主人时，主人会给予一定的褒奖，否则就会受随处分。
于是狗狗逐渐学会了接飞碟。
同理，我们用一堆样本数据供打算机打算，样本数据可以用类来标记，并设计一个惩罚函数，通过不断的迭代，机器学习如何分类，从而将惩罚降到最低。
然后，学习的分类规则用于预测和其他活动。

3.数据挖掘。
数据挖掘是一门高度跨学科的学科，可以与机器学习算法和传统统计方法一起利用，终极目标是从数据中挖掘知识来辅导人们的活动。
因此，我认为数据挖掘的重点是运用，利用什么算法并不是很主要，但关键是能够知足实际的运用背景。
另一方面，机器学习侧重于算法本身的设计。

根据《数据挖掘与知识创造（第2版）》，数据挖掘任务分为分类或预测模型的知识创造、数据汇总、数据聚类、关联规则创造、韶光序列模式创造、依赖或依赖模型创造、非常和趋势创造等。

数据挖掘工具的分类：包括数据库、面向工具的数据库、空间数据库、时态数据库、文本数据库、多媒体数据库、异构数据库、数据仓库、演绎数据库和Web数据库。

数据挖掘方法的分类：包括统计方法、机器学习方法、神经网络方法和数据库方法。

4.模式识别。
我认为模式识别侧重于对旗子暗记、图像、语音、文本、指纹等非直不雅观数据的处理，如语音识别、人脸识别等，通过提取干系特色，并利用这些特色来搜索我们正在探求的目标。

数据挖掘是数据库知识创造 （KDD） 过程中的一个步骤，它运用数据剖析和创造算法，在可接管的打算效率范围内对数据天生分外的列举模式（或模型）。
请把稳，模式空间常日是无限的，并且模式的列举包括对该空间的某种形式的搜索。

5. 打算机视觉

打算机视觉是一门关于如何利用相机和打算机来获取拍摄工具所需的数据和信息的科学。
形象地说，便是给打算机配备眼睛（摄像头）和大脑（算法），以便打算机能够感知环境。
我们的中国针言“眼见为实”和西方人常说的“一图一万字”表达了视觉对人类的主要性。
不难想象，有视觉的机器的运用前景有多广阔。

打算机视觉在工程和科学领域都是一个具有寻衅性和主要的研究领域。
打算机视觉是一门综合性学科，吸引了来自各个学科的研究职员参与研究。
这些领域包括打算机科学与工程、旗子暗记处理、物理学、运用数学和统计学、神全心理学和认知科学等。

6.智能掌握

智能掌握的定义1：智能掌握是智能机器自主实现其目标的过程。
另一方面，智能机器被定义为在构造化或非构造化、熟习或不熟习的环境中自主或与人类交互以实行人类规定的任务的机器。

定义2：K.J.奥斯托罗姆认为，人类的智能，如直觉推理和试验方法，是由机器形式化或仿照的，并用于掌握系统的剖析和设计，以便在一定程度上实现掌握系统的智能化，这便是智能掌握。
他还认为，自调控和自适应掌握是智能掌握的低级表示。

定义3：智能掌握是一种无需人工干预即可自主驱动智能机器实现目标的自动掌握，也是用打算机仿照人类智能的主要领域。

定义4：智能掌握实际上只是一门新学科，它研究和仿照人类智能活动的规律及其掌握和信息通报过程，并开拓具有人形智能的工程掌握和信息处理系统。

20世纪60年代以来，打算机技能和人工智能技能发展迅速，为了提高掌握系统的自学习能力，掌握界的学者们开始将人工智能技能运用于掌握系统。

人工智能是打算机科学的一个分支，它试图理解智能的实质，并产生一种新型的智能机器，可以以与人类智能类似的办法做出反应，包括机器人、措辞识别、图像识别、自然措辞处理和专家系统。

研究方向：

自然措辞处理、知识表示、智能搜索、推理、方案、机器学习、知识获取、组合调度问题、感知问题、模式识别、逻辑编程软打算、禁绝确和不愿定管理、人工生命、神经网络、繁芜系统、遗传算法。

7、旗子暗记处理、语音识别、知识处理都是人工智能要研究的内容。

差异：以上所有内容都包含在人工智能的范围内。

对付数据挖掘，数据库供应数据管理技能，机器学习和统计供应数据剖析技能。
由于统计学每每沉迷于理论之美而忽略了实用性，因此统计界供应的很多技能，常日都须要在机器学习界进一步研究，并转化为有效的机器学习算法，才能进入数据挖掘领域。
从这个意义上说，统计学紧张通过机器学习对数据挖掘产生影响，而机器学习和数据库是数据挖掘的两种支撑技能。
从数据剖析的角度来看，大多数数据挖掘技能都来自机器学习领域，但机器学习研究每每不以海量数据为处理工具，因此数据挖掘须要对算法进行改造，使算法性能和空间占用达到实用性点。
同时，数据挖掘有自己独特的内容，即干系性剖析。

模式识别和机器学习有什么关系，传统的模式识别方法一样平常分为统计方法和句法剖析方法两种。
句法剖析常日是不可学习的，而统计剖析已经开拓了许多机器学习方法。
换句话说，机器学习还为模式识别供应了数据剖析技能。

至于数据挖掘和模式识别，让我们将其与它们的观点区分开来，数据挖掘侧重于创造知识，模式识别侧重于理解事物。

机器学习的目的是对隐蔽的数据构造进行建模，然后进行识别、预测、分类等。

因此，机器学习是方法，模式识别是目的。

智能掌握包括机器学习的这一方面。
智能掌握与数据挖掘的差异在于，智能掌握还包括数据挖掘。
打算机视觉还包括数据挖掘???有许多

学科的研究目标与打算机视觉相似或干系。
这些学科包括图像处理、模式识别或图像识别、场景剖析、图像理解等。
打算机视觉包括图像处理和模式识别，但除此之外，它还包括空间形状的描述、几何建模和认知过程。
实现图像理解是打算机视觉的终极目标。

图像处理技能将输入图像转换为具有所需特性的另一张图像。
例如，可以对输出图像进行处理，使其具有较高的信噪比，或者可以通过增强处理突出显示图像的细节，以方便操作员进行检讨。
在打算机视觉研究中，图像处理技能常用于预处理和特色提取。

模式识别技能根据统计属性或从中提取的构造信息将图像分类为特定种别。
例如，文本识别或指纹识别。
在打算机视觉中，模式识别技能常日用于识别和分类图像的某些部分，例如分割区域。

根据我的研究履历，这三者之间既有差异，也有联系。

打算机图形学是根据有关场景构造、表面反射特性、光源配置和相机模型的信息天生图像。

另一方面，打算机视觉是给定的图像，场景特色的推断实现了从模型到图像的转换，即从图像数据中提取信息，包括场景的三维构造、运动检测、物体识别等。

模式识别是从特色空间到种别空间的转换。
研究包括特色提取（PCA、LDA、LFA、Kernel、MeanShift、SIFT、ISOMAP、LLE）;特色选择;分类器设计（SVM、AdaBoost）等