1.1机器学习概述
1.1.1机器学习简史
略
知识推理期-->知识工程期-->浅层学习-->深度学习
1.1.2主要流派
1、符号主义
用符号表示知识,并进行逻辑推理;代表:专家系统、知识工程。
2、贝叶斯分类
基础:贝叶斯定理。
应用:自然语言中的情感分类、自动驾驶中对汽车周围情况的分类和垃圾邮件过滤。
3、联结主义
起源于神经学,主要算法是神经网络,模拟人脑神经元的连接方式,从大量的数据中学习并优化网络连接,以实现智能行为。
应用:深度学习、语音识别、图像识别、自然语言处理、机器人控制。
4、进化计算
通过程序迭代模拟生物进化过程中“优胜劣汰”的自然选择机制和遗传信息的传递规律这一过程,把要解决的问题看作环境,在一些可能的解组成的种群中,通过自然演化寻求最优解。
算法:遗传算法、进化策略、进化规划、遗传编程、差分进化、粒子群优化。
应用:优化问题、机器学习、工程设计
5、行为主义
行为主义强调只关注可观察的行为,而忽略个体内部的心理过程。它认为人类和动物的行为是对外部刺激的响应,通过学习和环境塑造可以改变行为。
应用:教育、训练、心理治疗、广告、营销等多个领域。
1.2机器学习、人工智能和数据挖掘
1.2.1什么是人工智能
让机器的行为看起来像人所表现出来的智能行为一样。
阶段:弱人工智能(目前阶段)-->强人工智能-->超人工智能
1.2.2数据挖掘
个从大量数据中提取隐藏在其中的、事先未知的、但潜在有用的信息的过程。这个过程旨在建立决策模型,以便根据过去的行动数据来预测未来的行为。
技术:异常检测、关联规则学习、聚类、分类、回归。
1.2.3机器学习、人工智能和数据挖掘的关系
机器学习是人工智能的一个分支,也是人工智能的核心技术,而数据挖掘的很多的算法都来源于机器学习。
1.3机器学习应用的典型领域
图像处理、金融、医疗、自然语言处理、网络安全、工业、娱乐业。(下面的来自AI)
- 自然语言处理(NLP):
- 机器翻译:通过训练大量双语或多语文本数据,使计算机能够自动将一种语言的文本转换为另一种语言。
- 文本分类:对文本数据进行分类,如新闻分类、情感分析等。
- 语音识别:将人类语音转换为文本,广泛应用于智能手机、智能家居等设备中。
- 图像识别与分类:
- 人脸识别:用于安全监控、身份验证等领域。
- 图像检索:通过图像内容搜索相似或相关的图像。
- 物体识别:在自动驾驶、工业检测等领域中识别道路标志、产品缺陷等。
- 推荐系统:
- 在电商平台上,根据用户的浏览、购买历史等信息推荐商品。
- 在社交媒体中,推荐用户可能感兴趣的内容或好友。
- 金融风控:
- 欺诈检测:通过分析交易数据,识别潜在的欺诈行为。
- 信用评估:基于用户的信用历史、行为数据等评估其信用风险。
- 医疗健康:
- 疾病诊断:通过分析医学影像、患者症状等数据辅助医生进行诊断。
- 药物研发:利用机器学习算法加速药物筛选和临床试验过程。
- 自动驾驶:
- 视觉感知:识别道路标志、行人、车辆等障碍物。
- 路径规划:根据路况、交通规则等信息规划最优行驶路线。
- 工业制造:
- 质量控制:通过图像识别、数据分析等手段检测产品缺陷。
- 预测性维护:预测设备故障,提前进行维护,减少停机时间。
- 网络安全:
- 恶意代码检测:识别网络中的恶意软件、病毒等。
- 网络攻击识别:分析网络流量,识别潜在的攻击行为。
- 环境保护:
- 气象预测:利用历史气象数据预测未来天气情况。
- 大气污染监测:实时监测空气质量,分析污染源。
- 智能助手:
- 如Siri、Alexa等,能够执行设置提醒、查询天气、播放音乐等多种任务,提升用户生活便利性。
1.4机器学习算法
机器学习的算法可以分为四类:监督学习、无监督学习、强化学习、半监督学习
(1)1、监督学习
2、无监督学习
3、强化学习
(2)1、分类算法
2、聚类算法
3、关联分析
4、回归分析
5、深度学习
1.5机器学习的流程
1、明确目标任务
2、收集数据、
3、数据预处理
4、数据建模
5、模型训练
6、模型运用