理解人工智能算法，初中数学知识就够了

原文：https://mp.weixin.qq.com/s/7nycshlXqHB22Tb3OulWGw

目录

小学三年级我们就开始学习人工智能了

初中二年级的知识解释机器学习求解思路

初中三年级的知识解释梯度下降法

我们需要更复杂的模型结构

深度学习的数学建模思路

深度学习到底有多牛逼？

---

 

对于没有在学校里学习过机器学习和深度学习的同学，在谈论人工智能时，常常会听到一些专有名词，比如机器学习，深度学习、深度神经网络、梯度下降法、BP算法、损失函数、欠拟合、过拟合、训练集、验证集和测试集，经常会被整懵了，别人聊的时候只能在旁边呵呵。想去学习，发现网上书上的介绍全是公式。怎么办？

本文用初中和小学的课本知识，来介绍机器学习和深度学习最本质的含义，希望能帮到这部分同学。

延伸阅读：本文只介绍有监督学习，因为在图像检测、分割和分类，语音识别和自动驾驶应用中，绝大部分实践都是有监督学习；第二，有监督和无监督学习的概念比较容易理解，后续会介绍。

小学三年级我们就开始学习人工智能了

让我们来看一道小学三年级的数学应用题：

一艘轮船4小时行驶了100千米，如果用同样的速度行驶5小时，行驶了多少千米？

我们的计算方法是，首先求出速度v=100/4=25千米/小时。然后，对于任意时间长度的行驶时间，我们都能“预测”出行驶的距离。

如果按“机器运用根据示例数据得出的公式解决特定问题”的定义[1]，这就是最简单的机器学习的例子。

 

图1：模型1

由于我们人为的发明的平均速度这个概念，在这个模型当中只有一个参数，那就是平均速度。上面的我们通过一组示例数据：（4小时，100千米），就学习到了这个参数，这个模型的参数是25千米/小时，它的物理含义是平均速度。

如果我们把上面的解题方法，编写成程序，就是“专家系统”，即运用人类对客观世界的抽象，形成逻辑，用电脑实现，解决预测问题。

逻辑上，一个轮船行驶的距离，还受到其他的参数的影响，比如说水流的速度。

为了让我们的预测更准确，我们把水流速度考虑进去。我们根据物理含义，我们认为这是一个线性方程。记轮船速度为a，水流速度为b，行驶时间为x1，有水流动的时间是x2，行驶距离为y，则

a*x1 + b*x2 = y （公式1）

众所周知，方程个数必须和未知数个数相等，才能够求出唯一的解。所以，要求出a和b，需要有2组观测数据（训练数据）。

注：这是我们在初中一年级学到的知识，二元一次方程。

	观测值1	观测值2	预测1
行驶时间x1	4	5	3
水流时间x2	0	5	2
行驶距离y	100	150	？

通过表格中观测值1和2，我们可以求解得到a等于25公里每小时，b等于5公里每小时。

求出a和b后，我们就建立了模型，对于任意的x1和x2，都能“预测”出行驶距离y了。

我们把上面的公式，画成图形的形式。是不是就有点神经网络的图形的感觉了。这是因为它们都用到了“乘加”建模的。

图2：模型2

延伸阅读：在其他介绍机器学习的地方，会看到模型的输入超过2个，且用累加符号∑（西格玛）[2]、或者把输入x用向量矩阵的的表达方法[3]，来记录上面的公式，虽然样子变了，但是含义和“公式1”并没有区别。

初中二年级的知识解释机器学习求解思路

在实际生活当中，我们知道，一艘轮船的速度，不可能在任何时刻都是绝对的25千米每小时，实际上，这是我们对现实世界的一个抽象。再加上测量误差，所以，多次测试四小时行驶的距离，大概率会比100 km多一点或少一点。

以模型1为例，只考虑参数“速度”：

	理想的观测值	初始值	实际观测值1	实际观测值2	实际观测值3
行驶时