要讓我的小車能自動去倒一杯咖啡。需要的做的事還有很多，其中一個很難的問題就是自動駕駛，怎麽才能讓我的小車自動駕駛到咖啡機旁邊去呢？

1.DeepDriving，網址http://deepdriving.cs.princeton.edu/ ，如圖:

這是一個不借助mobileye之類硬件的一個軟件技術。直接通過圖像識別來判斷和控制汽車。

2.comma.ai ,一個便宜的硬件+開源軟件
網址:https://comma.ai/

3. 市面上已經有的產品，如"那狗N2 ADAS"

可以看得出，也是個硬件，不過是以攝像頭為主，其它硬件為輔的。再加上自己的軟件分析處理。

我想了想其實硬件並不復雜，主要是軟件如何識別這些圖片和這些傳感器信號？查了些資料，圖片識別技術如果不是人工標註特征，那麽就要靠深度學習。而深度學習又以機器學習技術為基礎。所以要搞明白這些，機器學習必須搞明白。

先了解了機器學習的一些基本術語

數據集:一組記錄的集合，如有一組西瓜的數據(色澤=青綠,根蒂=蜷縮,敲聲=濁響)

示例/樣本:一條記錄，如上面的色澤 =青綠

屬性/特征:如上面的色澤

屬性值:如上面的青綠

屬性空間/樣本空間/輸入空間:屬性張成的空間,如上面的(色澤、根蒂、敲聲作為三個坐標軸，則它們張成一個用於描述西瓜的三維空間)

每個西瓜都可在這個空間中找到自己的位置，由於空中的每個點對應一個坐標向量，因此這一個示例也做“特征向量"

維度:上面的例子就是3

學習/訓練:從數據中學得模型的過程,

訓練數據:訓練過程中使用的數據

訓練樣本:訓練中的每組數據

訓練集:訓練中樣本的集合

假設:覺得模型對應了關於數據的某種潛在的規律

真相/真實:這個規律本身

學習器:模型

標記:關於示例結果的信息,例如下面的樣本中的結果是好瓜((色澤=青綠,根蒂=蜷縮,敲聲=濁響),好瓜).

樣例:擁有了標記信息的示例。

標記空間/輸出空間:所有標記的集合.

如果用(Xi,Yi)表示第i個樣例，其中Yi(歸屬於γ)是示例Xi的標記， γ就是標記空間.

分類:預測的是離散值的任務，例如好瓜、壞瓜

回歸:預測的是連續值的任務，例如西瓜成熟度是0.9,0.5,0.3

二分類:只有兩個分類的任務，其中一個正類，另一個是反類

測試:學得模型後，使用其進行預測的過程

例如在覺得f後，對測試例x,可得到其預測標記y=f(x).

聚類:即將訓練集中的西瓜分成若幹組，每組稱為一個"簇";這些自動形成的簇可能對應一些潛在的概念劃分，例如"淺色瓜",”本地瓜"，這就是2個聚類。

監督學習與無監督學習，分類與聚類分別屬於前面兩種。也就是說聚類比較高級，我們不知道能訓練出什麽結果(標記)來，而分類是事先定好的。

泛化:分類/簇劃分能適用於沒在訓練集中出現的樣本，覺得模型適用於新樣本的能力。

好了基本術語學習完畢，上面的術語出處是周誌華的《機器學習》

智能小車29：自動駕駛與機器學習