第 34 集:机器学习与人工智能
01:23 分类 Classification
01:25 分类器 Classifier
01:34 特征 Feature
02:03 标记数据 Labeled data
02:38 决策边界 Decision boundaries
03:00 混淆矩阵 Confusion matrix
03:39 未标签数据 Unlabeled data
03:49 决策树 Decision tree
04:25 支持向量机 Support Vector Machines
05:52 人工神经网络 Artificial Neural Network
08:34 深度学习 Deep learning
09:21 弱AI, 窄AI Weak AI, Narrow AI
09:43 强AI Strong AI
10:42 强化学习 Reinforcement Learning
分类器:做分类的算法叫做分类器。“特征”是用来帮助“分类”的值。
标记数据不仅要记录特征值,还要记录种类
机器学习算法的目的:是最大化正确分类+最小化错误分类
决策树:生成决策树的机器学习算法
多个决策树组成的算法叫“决策森林”
支持向量机:本质上是用任意线段来切分“决策空间”,而且线段不一定是直线,可以是多项式或其他数学函数
人工神经网络:“决策树” 和 “支持向量机”这样的技术发源自统计学。但也有不用统计学的算法,比如人工神经网络
神经元常见处理流程:加权、求和、偏置(加或减一个固定值)、激活函数
激活函数,也叫传递函数。应用与输出,对结果执行最后一次数学修改
做神经网络时,这些偏差和权重,一开始会设计成随机值,然后将最后算出的结果跟样本数据进行对比,不断调整和【训练】,直到获得 让结果最接近真实数据的 偏差值和权重值。
输入层:主要用于样本数据输入
隐藏层:可以有很多层,用于对数据进行加权、求和等各种处理
输出层:输出最后处理的结果
弱AI:只能做特定任务
强AI:像人一样聪明的AI
强化学习:通过反复试错,自己发现成功的策略
人工智能的处理逻辑:(个人总结的认识,仅供参考)
1.有庞大的样本数据(正确性,真实性)
2.根据推测的关联因素作为数据【特征】
3.然后利用神经网络算法得出的结果,与样本数据进行对比。得到最优算法的各种值(如某个特征的权重)
4.然后输入真实的数据,根据最优算法进行事实的提前预测
第 35 集:计算机视觉
02:41 检测垂直边缘的算法
03:26 核/过滤器 kernel or filter
03:56 卷积 convolution
04:23 Prewitt 算子 Prewitt Operators
05:34 维奥拉·琼斯 人脸检测 Viola-Jones Face Detection
05:35 卷积神经网络 Convolutional Neural Networks
07:33 识别出脸之后,可以进一步用其他算法定位面部标志,如眼睛和眉毛具体位置,从而判断心情等信息
08:52 跟踪全身的标记点,如肩部,手臂等
RGB:三原色
颜色跟踪算法—最简单的计算机视觉算法:跟踪一个颜色物体,比如一个白色的球。
1.颜色跟踪算法是一个个像素搜索,因为颜色是在一个像素里。 首先记下球的颜色,保存最中心像素的RGB值。然后让程序在图像中找最接近这个颜色的像素。可以在视频的每一帧图片跑这个算法,跟踪球的位置。
卷积算法:核 、 2个边缘增强的核
卷积神经网络:
第 36 集:自然语言处理
01:50 词性 Parts of speech
02:15 短语结构规则 Phrase structure rules
02:32 分析树 Parse tree
05:30 语音识别 Speech recognition
07:26 谱图 Spectrogram
07:44 快速傅立叶变换 Fast Fourier Transform
08:42 音素 Phonemes
09:29 语音合成 Speech Synthesis