初识AI

什么是AI

AI is the  field that studies the synthesis and analysis of computational agents that act intelligently.

AI are systems that   think like humans ,act like hummans , think rationally, act rationally.

限制领域AI(Narrow AI):针对某一领域.

通用AI(General AI):让AI做任何事情,现阶段暂时无法达到这样的水平.

所以一定要认清技术的边界以及定义好问题的范围.

https://mp.weixin.qq.com/s/WOVVnZYTHCVAVHU6hNQcAQ

AI和BI的区别:简单的来说,BI是一种分析工具,通过一些方式吧数据更直观的展示给用户,辅助人去决策.另一方面,AI是通过数据帮助人做决策.所以从这个角度,可以把AI看作是辅助的决策工具,而AI则可以直接帮我们做决策.

什么是机器学习?

通俗来讲,机器学习是解决人工智能问题的最核心的技术.

官方定义: Field of study that gives computers the ablility to learn without being explicitly programmed.

机器学习的核心是,从数据中自动学出规律,而不是一个人拍脑袋定出来的,可以理解为归纳总结.

什么是深度学习

深度学习是机器学习的一个分支.

官方定义:Deep  Learning is a subfield of machine learning concerned with algeorithms  insbired by the structure and function of zhe brain called artificial neural nteworks.

深度学习是一个框架或者认为是一类方法论.深度可以理解为将很多简单的莫i行叠加在一起,比如我们把一个神经网络叠加成多层结构的时候,得到的是深度神经网络.

监督学习和无监督学习

机器学习分为监督学习和无监督学习,两者的主要区别在于数据有无标签.

监督学习:D=(X,y),学习X→y的关系,X为样本数据.

无监督学习:D=(X),寻找X中的特征或规律.以聚类为主

类型	算法
监督学习	线性回归\逻辑回归\朴素贝叶斯\决策树\随机森林\svm\神经网络\
无监督学习	PCA\K-means\GMM\LDA

回归和分类

回归问题:输出的是连续性数值,比如温度,身高,气温等.

分类问题:输出的是定性输出,比如阴或者晴,好或者坏.

数据的特征\样本\标签

标签指预测值

特征是数据中属性

样本指数据

训练数据和测试数据

训练数据用来训练模型

测试数据用来评估模型

机器学习建模流程

Data source →数据预处理→特征工程→建模→验证.

Data source指数据,机器学习的基础

数据预处理:是对数据是对数据降噪.

特征工程:从样本中提取出有价值的信号.

建模:调参,改造

 

建模第一步是理解数据本身,切忌不要急于套用模型,因为不理解数据的情况下做出来的模型是由着很大的不确定性.

对于数据理解来说,最重要的一项技术叫做数据可视化(data visualization),如仅有一个特征的情况下,可以在二维空间中展示特征与预测值之间的关系.假如数据特征有2个以上,如何进行可视化呢?一,可以降维度,降到二维或三维空间;二,针对于每一个特征做可视化,以及观察特征之间的关系