基本概念
- 人工智能
- 机器学习
- 深度学习
- 机器学习
三者的关系是逐层专业化。人工智能是比较范的概念,而机器学习是实现人工只能又有效的方式,深度学习则是机器学习中的一个分支,目前发展火热,并替代了大多数机器学习的算法。
机器学习
机器学习从字面理解,是机器自我学习成长的过程,使得计算结果接近于人类思考后的目标。在机器学习领域中,有监督学习和无监督学习之分。
监督学习是对已有的历史数据,并且知道了数据得到的结果,又可分为回归和分类。回归是通过已有的数据,训练计算机,找出样本与目标的规律。分类是将已有的数据,且数据已被标签化,将数据分类得出已有的属性规律,对于给出的新样本,得出样本的属性。
无监督学习不知道数据的特性,即数据没有被标签化,也不知道数据的结果。通过机器学习将数据归类。
机器学习的方法是通过训练和预测。假设数据与结果存在关系H,关系的参数为W,入参为X,输出为Y。H(W,X)与Y的相差程度为模型效果的评价函数,那么机器学习构造的模型目标就是使得H(W,X)与Y尽可能的相等,即训练使得H(W,X)=Y。其中衡量模型预测值和真实值差距的评价函数也被称为损失函数(损失Loss)。
模型
模型的构造分为,假设、评价函数、优化算法
- 模型假设
假设就是通过观察数据,假设出X与Y之间的关系,从而确定W - 评价函数
观察数据中H(W,X)与Y中相差最小