认知实习总结篇1(纯总结知识点)

今天是实习的第一天，也是第一次写博客，以下是上课时的简单总结，都是一些基础的概念。

一、 人工智能三大概念

1.人工智能（AI）：仿智，使用计算机来模拟或者代替人类

2 机器学习 (ML) ：机器自动学习，不是人为规则编程

3 深度学习  (DL) ：大脑仿生，设计一层一层的神经元模拟万事万物

4 AI、ML、DL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发展而来的

5 算法的学习方式的两种方式

基于规则的学习：程序员根据经验利用手工的if-else方式进行预测

基于模型的学习：从数据中自动学出规律

二、机器学习的应用领域和发展史

1 机器学习的应用领域

• 计算机视觉CV ：对人看到的东西进行理解

• 自然语言处理 ：对人交流的东西进行理解

• 数据挖掘和数据分析 ：也属于人工智能的范畴

2 人工智能发展史

1956年 人工智能元年

2012 年 计算机视觉深度神经网络方法研究兴起

2017 年 自然语言处理应用大幕拉开

2022 年 chatGPT 的出现，引起 AIGC 的发展

3 数据，算法，算力

CPU ：主要适合I\O密集型的任务

GPU ：主要适合计算密集型任务

TPU ：专门针对大型网络训练而设计的一款处理器

三、机器学习常用术语

1 样本和数据集

• 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

2 特征

• 特征(feature) ：一列数据一个特征，有时也被称为属性

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

以上是今天上午所讲内容的简单总结，都是一些基础的概念，并没有深入的内容，因为第一次写观感上可能不太舒服，望理解。

下午所将讲述内容补充

四、机器学习算法分类

1.常见的算法分类：监督学习、无监督学习、半监督学习、强化学习

2.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

3.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：

◆ 训练数据无标签

◆ 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

4.有监督类的分类问题和回归问题

分类问题

◆ 目标值（标签值）是不连续的

◆ 分类种类：二分类、多分类

回归问题

◆ 目标值（标签值）是连续的

5.半监督学习

工作原理

1.利用已经标记的数据（也就 是带有类标签）训练出一个模型

2.再利用该模型去套用未标记的数据

3.通过询问领域专家分类结果与模型分类结果做对比，从而对模型做进一步改善和提高

该模型去套用未标记的数据

优点：半监督学习方式可大幅降低标记成本

6.强化学习

1 强化学习（Reinforcement Learning）：机器学习的一个重要分支

2 应用场景：里程碑AlphaGo围棋、各类游戏、对抗比赛、无人驾驶场景

3 基本原理：通过构建四个要素：agent(智能体)，环境状态(environment)，行动(action)，奖励(reward)， agent根据环境状态进行行动获得最多的累计奖励。

五、机器学习建模流程

• 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