2.人工智能实现的不同方式

最新推荐文章于 2024-10-02 00:23:27 发布

隐零

最新推荐文章于 2024-10-02 00:23:27 发布

阅读量1.2k

点赞数 52

分类专栏：从零基础到AI算法工程师文章标签：人工智能深度学习机器学习

本文链接：https://blog.csdn.net/dxyl632956/article/details/141683947

版权

从零基础到AI算法工程师专栏收录该内容

12 篇文章 3 订阅

订阅专栏

概述：本章属于作者专栏《从零基础到AI算法工程师》

一、各种学习方式之间的关系

机器学习，顾名思义，就是让机器可以像人一样具备学习的能力，是人工智能的核心。机器学习就是通过各种各样的算法让机器达到拟人化的状态。

作者将以上的关系通过集合的形式放在下图当中。

artificial intelligence ：人工智能

maching learning : 机器学习

supervised learning : 有监督学习

unsupervised learning : 无监督学习

deep learning : 深度学习

reinforcement learning : 强化学习

deep reinforcement learning : 深度强化学习

接下来，作者会一一介绍以上的学习模式和各自的特性。

二、机器学习不同的学习方式

1.有监督学习和无监督学习的区别

机器学习分为有监督学习（supervised learning ）和无监督学习（unsupervised learning ）。正如下图所示，左边的机器人在认真听老师讲课，可以从老师那里获得正负反馈。比如老师问“1+1等于几？”如果机器人回答“2”，那么会得到老师的肯定。反之，如果是错误的答案，就会被老师否定。这就是有监督学习。我们再来看右边的机器人，自己带着耳机在看书，所有的知识与数据都是自己去获得，没有人去引领他。这就是无监督学习。

结合人工智能程序的流程来看（不知道的小伙伴可以看专栏的上一篇，里面有介绍和讲解），我们可以将有监督学习和无监督学习分为以下两种：

我们将带有标签的数据传入模型当中，通过有监督学习形式的机器学习算法，我们最终输出的也是带有标签的数据。算法会将猫和老鼠分开，并分别给他们贴上标签来确定他们的分类。上图是有监督学习的人工智能流程。

我们将不带有任何标签的数据传入模型当中，通过无监督学习形式的机器学习算法，我们最终得到的是两组分类。这两组数据是没有任何标签的，他们的区分完全是基于图片特征的匹配程度。这就是无监督学习的人工智能流程。

两者对比来说，有监督学习的目标更加明确，效果也更容易评估，所需要的数据是需要标签的。

而无监督学习目标不明确，效果很难评估，但是对数据的要求较小，不需要标签。

2.强化学习的概念

相较与有监督学习和无监督学习这两种学习方式。强化学习（reinforcement learning ）这种方式比较特殊。它需要一个Agent智能体，在一定的环境当中不断地进行交互、行动，从而得到状态的改变和正负反馈。

我们可以将强化学习这个过程看作是一个超级马里奥的游戏，Agent就是马里奥，环境就是游戏场景，我们可以在场景当中进行不同地操作产生不同地效果。比如我吃了一个蘑菇，加了一滴血。这就是正反馈。如果我们撞到了乌龟，扣了一滴血，这就是负反馈。那么，我们为了获得更高的分数，就会不断地对行为进行调整。强化学习就是通过智能体与环境的不断交互，对学习这个过程不断调整，从而达到最佳的效果。

三、比传统机器学习更优的深度学习

随着人工智能的不断发展，机器学习算法也是不断地推陈出新。演化而来的就是深度学习（deep learning）。

下图是用来表示机器学习当中的常见算法模型的可解释性（x轴）与准确度（y轴）的关系

在上图中，我们可以看到一些经典的机器学习算法，比如决策树（Decision Tree）、逻辑回归（Logistic）、朴素贝叶斯（Naive Bayes）等。随着时代的不断进步，人们逐渐发现神经网络（Neural Network, NN）在处理复杂问题上的模型准确率非常高，效果是这些算法当中最好的。于是，人们就将机器学习算法当中，基于神经网络的学习方式归纳为一个新的名字：深度学习。顾名思义，随着神经网络层数的不断加深，这个神经网络的训练效果往往会更好。

时代的发展，促进了AI的不断进步。对比传统机器学习，我们在深度学习上投入了更多的算力、更多的数据、额外的资金以及开发出更好的算法。

如上图所展示的，传统的机器学习在数据处理阶段需要人为干涉，去实现特征抽取、数据重要维度的选择以及算法模型的选择。在预处理完成之后，再将数据传入到算法模型中进行训练。而深度学习可以直接通过多层的神经网络去筛选数据，减少了人为的操作，更加的端到端。且更深的神经网络层次也意味着我们可以传入更多的参数，可以更好的训练模型。相比较机器学习，深度学习可以更加智能地对数据特征进行转换、进行提取。