机械学习框架、分类

https://news.cnblogs.com/n/586233

迎来PyTorch，告别Theano，2017深度学习框架发展大盘点  2018-01-02 15:06

Facebook 开源 PyTorch，成为 TensorFlow 强敌

Theano 完成历史使命，功成身退

ONNX 开放平台横空出世，力图促进开放的开发生态

CNTK，Keras，MXNet 均迎来重大更新

微软携手亚马逊推出 Gluon 深度学习库，英特尔推出增强学习框架 Coach

针对移动终端，Caffe2 和 TensorFlow Lite 先后开源

 

人机巅峰对决： 人工智能技术解析   柯洁 AlphaGo 人机对战点评   广发金工研报

人工智能定义：致力于让机器变得智能的活动，而智能就是使实体在其环境中有远见地、适当地实现功能性的能力。

一、人工智能突飞猛进主要原因：1、算法的突破，2、数据的增长，3、硬件的发展，4、开源软件流行。

二、机器学习是人工智能的重要分支，主要研究如何让计算机通过经验和数据的学习提高性能。

三、近年来人工智能的发展主要是机器学习技术的发展。以深度学习为首的人工智能技术突飞猛进。 在语音识别、图像识别等
传统的机器学习领域里，深度学习实现了机器学习性能的飞跃，对冲基金领域开始争夺人工智能人才。

四、机器学习可以分为三大类： 监督学习、无监督学习和增强学习。

监督学习：给定一组数据的同时，我们知道正确的输出结果应该是什么样子。通过学习，建立起输入数据和输出数据之间的关系。

无监督学习：是指数据样本中没有给定输出信息，希望从数据中挖掘信息。

增强学习：我们通过“试验-反馈-优化”的方式，通过周围环境对于反复试验所反馈的信息来改进策略，并最终找到满意的方案。

五、深度学习在机器学习领域的重大突破

语言识别、图像识别、无人驾驶、智能推荐系统、药物活性预测、自然语言处理、人脸识别支付、医学影像识别、网络广告点击率预测等

CPU GPU TPU比较：

CPU：中央处理器、通用计算、结构复杂、擅长处理具有复杂步骤和复杂数据依赖的计算任务

GPU：图形处理器、专用计算、结构统一、运算速度高、擅长图像处理、数据吞吐量大，更适合人工智能大数据的应用

TPU：专门为机器学习应用而设计的专用芯片、执行单一工作、机器学习模型在芯片上运行的更快、吞吐量更大

六、监督学习

1、监督学习分类：根据输出变量不同类型分类，输入变量和输出变量均为连续变量的监督学习称为回归；输出变量为有限个离散变量的监督学习称为分类。

2、监督学习分为学习和预测两个过程，由学习系统与预测系统组成，学习系统一般是通过参数优化，获得最优的机器学习模型；预测系统是使用训练好

的数据，对未知的新数据进行预测。

3、常用监督学习方法有：逻辑回归、k最近邻（KNN）算法、贝叶斯分类器、核回归、支持向量机（SVM）、神经网络、深度学习等。

七、无监督学习

1、常见例子：聚类、关联规则挖掘、离群点检测等，隐马尔科夫模型（HMM）也属于无监督学习方法，应用在语音识别中非常成功。

八、半监督学习

1、定义：部分样本有输出数据Y，部分样本没有输出数据。

2、由于实际问题中很多样本是不含标签的， 这类学习模型可以结合监督学习和无监督学习各自的优点， 挖掘出更多的信息。

九、增强学习

1、增强学习的过程中，智能体(Agent)首先会从环境(Environment)中获得相应的环境状态(State)，随后智能体会依照一个事先确定的策略(Policy)，去选择

一个行为(Action)作用于环境。这个行为会对环境的状态产生改变， 同时， 环境向智能体对其行为反馈一个奖赏(Reward)。智能体将会根据试验结束后

所累积的反馈奖赏来对自身的策略进行优化，以期在下一次尝试中获得更多的奖赏。

转载于:https://www.cnblogs.com/bawu/p/7412386.html