目录
一、机器学习概述
1、什么是人工智能?
人工智能的概念来自于1956年的计算机达特茅斯会议,其本质是希望机器能够像人类的大脑一样思考,并作出反应。而人工智能的主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。
2、什么是机器学习?什么是深度学习?
首先,机器学习是实现人工智能的途径之一,作为人工智能及模式识别领域的共同研究热点,其理论和方法已经广泛应用于解决自然科学,生物信息学等众多领域中。
传统的机器学习研究一般分为监督学习、非监督学习、强化学习、半监督学习。
1、监督学习
监督学习的样本集有输入的特征,也就输出的结果,即(x,y)值,通过已知样本集的特征与结果的数据,训练模型,并预测结果。
常见的监督学习模型:逻辑回归,决策树,随机森林,支持向量机,朴素贝叶斯,K近邻分类,人工神经网络等。
2、无监督学习
与监督学习相比,无监督学习不存在所谓的y值,也就是只有特征值x,没有结果值,通过聚合相似的特征或属性将其划分为特定的组,这虽然缺少了必要的标注,但是更符合真实生活中,绝大多数无标注数据的模型。
常见的无监督学习模型:K-Means,最大期望EM算法,PCA主成分分析,高斯混合模型等。
3、强化学习
又称再励学习,评价学习,旨在关注智能体与环境的一种交互关系,并追求最大回报,通过环境给予不同的反馈与奖励,来不断优化状态与行为之间的对应关系。
4、深度学习
深度学习作为机器学习领域的一个新的研究方向,也是将机器学习推向人工智能最初的目标,通过模拟出人工神经元网络来创建机器学习模型。深度学习的适应性广,可应用于多个领域,且由于参数多,维度高可以具备更强大的表征能力。但也存在参数量巨大,训练速度慢,训练量巨大等不足。
常见的深度学习模型:卷积神经网络(CNN),循环神经网络(RNN),深度置信网络(DBN)等。
5、半监督学习
半监督学习利用少量的训练样本,利用从训练样本中获得的知识,结合测试样本的分布情况逐步修正已有知识,从而判断测试样本。
6、迁移学习
由于传统的机器学习存在使用过程中,数据分布差异,标注数据过期等问题,而通过传统的机器学习来不断训练新的模型会耗时量巨大,从而诞生了迁移学习。迁移学习利用从相关领域中迁移标注数据或者知识结构等来完成或改进目标领域或任务的学习效果。