机器学习概述1

机器学习概述

人工智能三大概念

学习目标：

1.知道AL，ML，DL是什么？

2.了解AL、ML、DL之间的关系

3.知道自动学习和规则编程的区别

【知道】人工智能

• Artificial Intelligence 人工智能

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

• AI is to use computers to analog and instead of human brain

• 释义 - 仿智； 像人一样机器智能的综合与分析；机器模拟代替人类

• 释义：是一个系统，像人那样思考 像人那样理性思考

• 释义：是一个系统，像人那样活动 像人那样合理系统

【知道】机器学习

• Machine Learning 释义：机器学习

• Field of study that gives computers the ability to learn without being explicitly programmed

• 释义：让机器自动学习，而不是基于规则的编程（不依赖特定规则编程）

• 人类识别车：根据车的特征归纳出车的规律；来了一个新的图片，判断预测是否是车

• 机器学习识别车: 从数据中获取规律；来了一个新的数据，产生一个新的预测

【知道】深度学习

深度学习(DL, Deep Learning) : ，也叫深度神经网络，大脑仿生，设计一层一层的神经元模拟万事万物

【知道】三者之间的关系

机器学习是实现人工智能的一种途径

深度学习是机器学习的一种方法

【了解】学习方式

【了解】基于规则的学习

•基于规则的预测 ： 程序员根据经验利用手工的if-else方式进行预测

但是有好多问题， 无法明确的写下规则，此时我们无法使用规则学习的方式来解决这一类问题，比如：

• 图像和语音识别
• 自然语言处理
  

举例：我们尝试通过基于规则的学习方式让计算机识别大象，下图中的大象千差万别， 有的是实物，有的是雕塑，有的是画，我们无法通过创建一套规则的方式让计算机准确识别下面每一头大象， 此时我们需要一种新的方法来解决这类问题。

【了解】基于模型的学习

基于模型的学习就是通过编写机器学习算法，让机器自己学习从历史数据中获得经验、训练模型：

案例巩固

比如房价预测，数据如下图

• 我们可以使用一条直线尽可能多的通过这些点，不通过的点尽量分布在直线的两侧，利用这条直线所表示的线性关系，我们就可以预测房价。
• 直线可以写成y=ax+b，若a,b已知，我们就能够预测房价。机器学习中a,b称为 参数 ，y=ax+b称为 模型 。通常a,b未知，是我们需要求解的量。

人工智能应用领域和发展史

学习目标：

1.了解机器学习的应用领域

2.了解机器学习的发展史

【了解】应用领域

用户分析：社交网络、影评、商品评论

搜素引擎：网页、图片、规频、新闻、学术、地图

信息推荐：新闻、商品、游戏、书籍

图片识别：人像、用品、劢物、交通工具

机器翻译、摘要生成 … …

生物信息学习 … … 多模态 AR/VR

【了解】发展史

1956年夏季，以麦卡赛、明斯基、罗切斯特和申农等为首的一批有远见卓识的年轻科学家在一起聚会，共同研究和探讨用机器模拟智能的一系列有关问题，并首次提出了“人工智能”这一术语，它标志着“人工智能”这门新兴学科的正式诞生。

1956 年被认为是人工智能元年

1950-1970
符号主义流派：专家系统占主导地位

1950：图灵设计国际象棋程序

1962：IBM Arthur Samuel 的跳棋程序战胜人类高手（人工智能第一次浪潮）

1980-2000

统计主义流派：主要用统计模型解决问题

1993：Vapnik提出SVM

1997：IBM 深蓝战胜卡斯帕罗夫（人工智能第二次浪潮）

2010-2017

神经网络、深度学习流派

2012：AlexNet深度学习的开山之作

2016：Google AlphaGO 战胜李世石（人工智能第三次浪潮）

2017-至今

大规模预训练模型

2017年，自然语言处理NLP的Transformer框架出现

2018年，Bert和GPT的出现

2022年，chatGPT的出现，进入到大规模模型AIGC发展的阶段

【知道】机器学习发展三要素

• 数据、算法、算力三要素相互作用，是AI发展的基石

1. CPU：负责调度任务、计算任务等；主要适合I\O密集型的任务
2. GPU：更加适合矩阵运算；主要适合计算密集型任务
3. TPU：Tensor，专门针对神经网络训练设计一款处理器

常见术语

学习目标：

1.知道样本是什么？

2.知道特征是什么？

3.知道标签/目标值是什么？

4.理解数据集划分的方法

【掌握】样本，特征，标签/目标值

样本(sample) ：一行数据就是一个样本；多个样本组成数据集；有时一条样本被叫成一条记录

特征(feature) ：一列数据一个特征，有时也被称为属性

标签/目标(label/target) ：模型要预测的那一列数据。本场景是就业薪资

就业薪资 与 培训学科、作业考试、学历、工作经验、工作地点 5个特征有关系

特征如何理解（重点）：特征是从数据中抽取出来的，对结果预测有用的信息 eg:房价预测、车图片识别

【掌握】数据集划分

数据集可划分两部分：训练集、测试集 比例：8 : 2，7 : 3

训练集(training set) ：用来训练模型（model）的数据集

测试集(testing set)：用来测试模型的数据集