跟黑马程序员学习AI的day 01

目录

1.人工智能三大概念

2.机器学习的应用领域和发展史

3.机器学习常用语术

4.机器学习算法分类

5.机器学习建模流程

---

一、 人工智能三大概念:    人工智能 AI （Aritificial Intelligennce)  机器学习 ML  深度学习 DL

1. 人工智能 AI

     研究智能行为的计算机主体的合成和分析的领域 ，使用计算机来模拟和代替人类大脑，老师讲述为仿智。

2.机器学习 ML

   使计算机能够在无需明确编程即可学习的能力的研究领域。像人类具有经验然后根据规律来完成事物，机器根据提供的数据训练成一个模型，输入新的数据来预测未知属性。

3.深度学习 DL

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。

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

4.算法的学习方式：基于规则的学习和基于模型的学习

二、机器学习的应用领域以及发展史

应用领域：

发展史：

•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）

•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）

•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，进入到大模型AIGC发展的阶段

AI 发展三要素： 数据 算法 算力相互作用，是AI发展的基石。

三、机器学习常用术语

1.样本和数据集

2.特征 

      •特征(feature)：一列数据一个特征，有时也被称为属性

      •样本(sample)：一行数据就是一个样本

      •数据集dataset：多个样本组成数据集

3.标签       

    •标签/目标(label/target)：模型要预测的那一列数据。

4.数据集划分 

     •训练集用来训练模型、测试集用来测试评估模型

                一般划分比例7：3 ~ 8：2

  x_train 训练集中的x      x_test 测试集中的x   y_train 训练集中的y    y_test测试集中的y

四、机器学习算法分类

1.有监督学习

定义：输入数据是由输入特征值和目标值所组成，即输入的训练数据有标签的

数据集：需要标注数据的标签/目标值

分类问题（离散）

应用：例如判断一幅图片上的动物是一只猫还是一只狗，判断明天天气的阴晴，判断零件的合格与不合格等。

回归问题（连续）

应用：如预测房价、股票的成交额、未来的天气情况等。

2.无监督学习

定义：输入数据没有被标记，即样本数据类别未知，没有标签，根据样本间的相似性，对样本集聚类，以发现事物内部结构及相互关系。

特点：1.训练数据无标签 2.根据样本间的相似性对样本集进行聚类，发现事物内部结构及相互关系

3.半监督学习:训练集同时包含有目标值的样本数据和不含有目标值的样本数据

4.强化学习:智能体不断与环境进行交互，通过获取最大奖励的方式（试错的方式）来获得最佳策略；主要包含四个元素：Agent(智能体)，环境(Environment)，行动(Action)，奖励(reward)

五、机器学习建模流程

机器学习建模的一般步骤

•获取数据：搜集与完成机器学习任务相关的数据集

•数据基本处理：数据集中异常值,缺失值的处理等

•特征工程：对数据特征进行提取、转成向量，让模型达到最好的效果

•机器学习(模型训练)：选择合适的算法对模型进行训练

•根据不同的任务来选中不同的算法；有监督学习,无监督学习,半监督学习,强化学习

•模型评估：评估效果好上线服务,评估效果不好则重复上述步骤

以上为我的分享~