人工智能初学2

1、解决过程

向计算机传入多组数据，设置标签，根据数据让计算机进行机器学习，运用相应模型解决问题，从而达到预测新数据的效果。

2、有监督和无监督

监督式学习根据已知的输入和输出训练模型，让模型能够预测未来输出。如果尝试去预测已知数据的输出，则使用监督式学习。监督式学习采用分类和回归技术开发预测模型。

分类技术可预测离散的响应 分类模型可将输入数据划分成不同类别。可以是二类别问题（是/不是），也可以是多类别问题（在多个类别中判断输入数据具体属于哪一个类别）如果数据能进行标记、分类或分为特定的组或类，则使用分类。

典型的应用包括医学成像、语音识别、信用评估、电子邮件是不是垃圾邮件、肿瘤是恶性还是良性的、笔迹识别的应用程序使用分类来识别字母和数字。

回归技术可预测连续的响应 如果处理一个数据范围，或响应性质是一个实数（比如温度，或一件设备发生故障前的运行时间），则使用回归方法。通过建模和分析变量之间关系，目的是通过模型来计算得出一个具体的值。

回归模型有两种，一种是可以用一条回归线拟合的数据，有明显的函数关系，可以通过线性性回归等方式进行拟合；第二种就是无明显线性关系，这时候就认为长得相似的样本值也相同。

例如，温度的变化或电力需求中的波动。典型的应用包括电力系统负荷预测和算法交易。

这两者的本质是一样的，仅仅是输出形式不同而已。当然由于其输出形式不同，在构建误差函数（就是监督系统中的使得盒子往正确答案发展的驱动装置）时会有区分

无监督学习 输入数据没有被标记，也没有确定的结果。样本数据类别未知，需要根据样本间的相似性对样本集进行分类（聚类，clustering）试图使类内差距最小化，类间差距最大化。通俗点将就是实际应用中，不少情况下无法预先知道样本的标签，也就是说没有训练样本对应的类别，因而只能从原先没有样本标签的样本集开始学习分类器设计。从输入数据中找出隐藏模式或内在结构。这种技术可根据未做标记的输入数据集得到推论。

非监督学习目标不是告诉计算机怎么做，而是让它（计算机）自己去学习怎样做事情。

聚类是一种最常用的无监督学习技术。

在以下情况下选择监督式学习：需要训练模型进行预测（例如温度和股价等连续变量的值）或者分类（例如根据网络摄像头的录像片段确定汽车的技术细节）。

在以下情况下选择无监督学习：需要深入了解数据并希望训练模型找到好的内部表示形式，例如将数据拆分到集群中。

两者的不同点

1. 有监督学习方法必须要有训练集与测试样本。在训练集中找规律，而对测试样本使用这种规律。而非监督学习没有训练集，只有一组数据，在该组数据集内寻找规律。

2. 有监督学习的方法就是识别事物，识别的结果表现在给待识别数据加上了标签。因此训练样本集必须由带标签的样本组成。而非监督学习方法只有要分析的数据集的本身，预先没有什么标签。如果发现数据集呈现某种聚集性，则可按自然的聚集性分类，但不予以某种预先分类标签对上号为目的。

3. 非监督学习方法在寻找数据集中的规律性，这种规律性并不一定要达到划分数据集的目的，也就是说不一定要“分类”。

这一点是比有监督学习方法的用途要广。如分析一堆数据的主分量，或分析数据集有什么特点都可以归于非监督学习方法的范畴。

何时采用哪种方法

有训练样本则考虑采用监督学习方法；无训练样本，则一定不能用监督学习方法。但是，现实问题中，即使没有训练样本，我们也能够凭借自己的双眼，从待分类的数据中，人工标注一些样本，并把它们作为训练样本，这样的话，可以把条件改善，用监督学习方法来做。对于不同的场景，正负样本的分布如果会存在偏移（可能大的偏移，可能比较小），这样的话，监督学习的效果可能就不如用非监督学习了。