AI人工智能算法思路(续1)

话接上回(上回AI人工智能算法思路-CSDN博客

性格化回答:

*导入词库
输出:祈使句/正常语(参见上一个)
=====================================================================================
例如输出:
你(主语,名词)问(谓语,动词)我(宾语,名词)|我(主语,名词)问(谓语,动词)谁(宾语,名词)?(带有反问等可使用问号的语句)【语气:生气/耍赖】
(省略主语)问(谓语,动词)时间(宾语,名词)干嘛(补充)?(带有反问等可使用问号的语句)【语气:好奇/生气】
(省略主语)等(谓语,动词)(省略宾语)一会(补充),我(主语,动词)一定会(补充)亲自(状语)告诉(谓语,动词)帅气的、高尚的(定语,形容词)您(宾语,名词)。(带有一般性非二次语句的符号)【语气:生气/阴阳怪气】

这样的回答通常伴随人物化的情形。

试想若是通常情况下如此……

所以需要有记忆性,需要让AI了解人的性格感受与情绪或者录入可持续性感情拓展。

情绪基本原理算法:

已知经验(历史性未知问题)
未知出发点
从未知转为已知:
    A近似转化:
        1.近似于简单建模
        2.约等转换
    B“学习”同近正在执行经验
        落实:
            转移终止
    C简单情绪转换
可以知未知可知知识点:
    录入
短储存——长储存

事实上,所知的已知算法可以进行爬取,但是违反了很多协议,所以这里写出了自行计算的程序算法原理。

想完成这一程序并不容易,需要分辨前后台,否则会择取设备。

所以不建议用bat、python等进行试验,还是可以用HTML试一下的。

和上次一样,接下次,链接我发评论区

  • 8
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
1. 决策树算法 决策树算法是一种基于树形结构进行决策分析的算法。决策树算法思路是将一个决策问题分解成若干个简单的子问题,然后逐步推导出最终的决策结果。算法通过对训练数据的分析,构建出一棵决策树,然后利用该决策树对未知数据进行分类或预测。 决策树算法的具体实现过程如下: - 选择一个最佳属性作为根节点,将数据集按照该属性进行划分; - 对于每个子节点,重复上述步骤,直到所有的属性都被用作决策节点或者数据集已经被划分为同一类别。 决策树算法的优点是易于理解和实现,并且生成的决策树可以直观地表示决策过程。其缺点是容易出现过拟合现象,需要进行剪枝操作。 2. 支持向量机算法 支持向量机算法是一种基于统计学习理论的分类和回归算法。其思路是将数据映射到高维空间中,使得不同类别数据集之间的距离最大化,从而实现对数据的分类或回归。 支持向量机算法的具体实现过程如下: - 将数据映射到高维空间中; - 选择一个最佳的超平面作为分类或回归界面; - 对于每个数据点,计算其到超平面的距离,并找出距离最近的数据点,作为支持向量。 支持向量机算法的优点是对于高维数据和非线性数据的处理能力较强,并且可以有效地避免过拟合现象。其缺点是对于大规模数据的处理速度较慢。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值