MIT的《深度学习》精读（10）

最新推荐文章于 2024-09-17 23:15:58 发布

caimouse

最新推荐文章于 2024-09-17 23:15:58 发布

阅读量943

点赞数

分类专栏：深度学习文章标签： ai python tensorflow 人工智能深度学习

本文链接：https://blog.csdn.net/caimouse/article/details/65936141

版权

深度学习专栏收录该内容

127 篇文章 15 订阅

订阅专栏

The difficulties faced by systems relying on hard-coded knowledge suggest that AI systems need the ability to acquire their own knowledge, by extracting patterns from raw data. This capability is known as machine learning. The introduction of machine learning allowed computers to tackle problems involving knowledge of the real world and make decisions that appear subjective. A simple machine learning algorithm called logistic regression can determine whether to recommend cesarean delivery (Mor-Yosef et al., 1990). A simple machine learning algorithm called naive Bayes can separate legitimate e-mail from spam e-mail.

从硬编码知识库的方式来构造AI面临着非常大的困难，从而启发了我们应该从另一面来进行思考，就是让AI可以从原始的数据来抽取模式，AI自己拥有获取它们自已所需要知识的能力，把这种获取知识的能力叫做机器学习（machine learning）。采用机器学习之后允许计算机参与实现世界的学习，研究问题的知识，并且作出自己的主观判断。最简单的机器学习算法叫做逻辑回归（logistic regression），它已经使用在判断是否需要剖腹产(Mor-Yosef et al., 1990)。另一个简单的机器学习算法叫做朴素贝叶斯（naive Bayes），它已经使用在分类收到的邮件（Email）是否是垃圾邮件。

通过这一段介绍了什么是机器学习，为什么要引入机器学习，以及机器学习的简单算法已经在实际过中进行了使用。

学过概率的同学一定都知道贝叶斯定理：

这个在250多年前发明的算法，在信息领域内有着无与伦比的地位。贝叶斯分类是一系列分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。朴素贝叶斯算法（Naive Bayesian) 是其中应用最为广泛的分类算法之一。

朴素贝叶斯分类器基于一个简单的假定：给定目标值时属性之间相互条件独立。

通过以上定理和“朴素”的假定，我们知道：

P( Category | Document) = P ( Document | Category ) * P( Category) / P(Document)

分类是将一个未知样本分到几个预先已知类的过程。数据分类问题的解决是一个两步过程：第一步,建立一个模型，描述预先的数据集或概念集。通过分析由属性描述的样本（或实例，对象等）来构造模型。假定每一个样本都有一个预先定义的类，由一个被称为类标签的属性确定。为建立模型而被分析的数据元组形成训练数据集，该步也称作有指导的学习。

在众多的分类模型中，应用最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model，NBC）。决策树模型通过构造树来解决分类问题。首先利用训练数据集来构造一棵决策树，一旦树建立起来，它就可为未知样本产生一个分类。在分类问题中使用决策树模型有很多的优点，决策树便于使用，而且高效；根据决策树可以很容易地构造出规则，而规则通常易于解释和理解；决策树可很好地扩展到大型数据库中，同时它的大小独立于数据库的大小；决策树模型的另外一大优点就是可以对有许多属性的数据集构造决策树。决策树模型也有一些缺点，比如处理缺失数据时的困难，过度拟合问题的出现，以及忽略数据集中属性之间的相关性等。

http://blog.csdn.net/tanhongguang1/article/details/45016421

http://blog.csdn.net/polly_yang/article/details/9471223/

http://blog.csdn.net/han_xiaoyang/article/details/50616559/