AI实战入门(一)：原来机器学习是这么一回事

01 认识人工智能

 

1.1、AI的概述

人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。

1.2、人工智能和机器学习、深度学习的关系

首先，先了解下各自的含义：

人工智能（Artificial Intelligence）——为机器赋予人的智能

机器学习（machine learning）——一种实现人工智能的方法

深度学习（deep learning）——一种实现机器学习的技术

 

再看看以下图解，可以清晰知道三者的关系

 

 

如上图，人工智能是最早出现的，也是最大、最外侧的同心圆；其次是机器学习，稍晚一点；最内侧，是深度学习，当今人工智能大爆炸的核心驱动。

 

人工智能阶段里面像垃圾桶的两个东西，是人工智能早期最典型的一个应用。其实就是一个能下国际跳棋的程序。

 

再过段时期后，过滤垃圾邮件的程序，是机器学习最典型的一个应用场景了。

 

近年来，各种图像识别、人脸识别、音频识别，是深度学习取得突破发展的场景。现在支付宝到处的人脸识别支付就是很典型的应用了。

 

02 认识机器学习

 

2.1、机器学习定义

机器学习是从数据中自动分析获得模型，并利用模型对未知数据进行预测。

 

 

我们人从大量的日常经验中归纳规律，当面临新的问题的时候，就可以利用以往总结的规律去分析现实状况，采取最佳策略。

 

2.2、数据集的构成

通过前面的定义我们可以知道，数据对于机器学习来说，是很重要的一环。那么它对于机器学习来说，构成是怎样的呢？

构成：特征值+目标值

 

举个例子：

例子1：房子相关数据的数据集

这里的特征值有四个：房子面积、房子位置、房子楼层、房子朝向。

目标值：就是房子售价。

目标值是可以预测的，此类数据集可以用监督学习的算法做预测。

 

例子2：人群数据集：

当然也有一些数据集是无目标值的，例如上图例子，对图中的人进行分类。这些就需要用无监督学习的算法去聚类分析预测了，后续的章节会进一步说明。

 

03 机器学习算法分类

 

机器学习算法，可以分为监督学习算法（有目标监督着机器）、无监督学习算法（无目标监督着机器）。

3.1、监督学习算法

目标值：类别 - 分类问题如：分类猫和狗

算法： K-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归等

目标值：连续型的数据 - 回归问题

算法：线性回归、岭回归等

3.2、无监督学习算法

目标值：无

         算法：聚类算法、K-均值算法（K-Means）等

3.3、辨别小练习

以下问题场景要用哪种算法解决？

1.预测明天的气温是多少度？

2.预测明天是阴、晴还是雨？

3.人脸年龄预测？

4.人脸识别？

 

（参考答案可搜公众号「老麦叨逼叨」回复“辨别小练习”）