目录
一、AI &机器学习 &深度学习
在刚开始接触机器学习这个概念的时候,自己对AI、机器学习和深度学习这三个概念一直有疑问,到底怎么一会机器学习,一会深度学习呢?到底是什么关系,然后就从网上百度出一些内容。
从上图可以看到,AI也就是人工智能包括了机器学习,而深度学习又是机器学习的一个子分支,然后又总结了下面这个图,更直观的展示了三者直接的关系:我们所说的机器学习只是人工智能的一个子领域,而机器学习又划为了监督学习、无监督学习等,深度学习只是机器学习的一个子分支,目前在语音、图形等领域取得了很好的效果。
下图分析了机器学习和深度学习的在一些纬度上的区别:
二、机器学习的概述
概念
机器学习就是寻找一种函数f(x),这种函数能够预测、分类、生成等工作。计算机从数据中学习出规律和模式,以应用在新数据上做预测任务。
适合情况
当存在下面特征情况的时候,就可以使用机器学习:
(1)事物存在某种潜在规律(函数)
(2)某些问题难以通过普通编程来实现
(3)有大量数据可供使用
四种领域
(1)语音识别
输入一段语音信号,输出文字
(2)图像识别
输入图片,输出图片的属性
(3)智能控制
输入棋盘局势,输出下一步落棋位置
(4)对话系统
输入语音,系统回复
那么寻找这个f(x)函数就是机器学习的核心任务。
目前应用一些场景
目前已经广泛应用,像美颜相机,今日头条可根据用户的浏览进行分类推荐、Siri的语音助手、淘宝的商品推荐等。
三、机器是如何学习
从训练数据到模型的过程主要经过下面几个步骤:
(1)训练数据经过数据处理得到有效数据;
(2)利用历史经验、数据分布规律进行初步选择算法。
(3)经过对多个算法的多次建模与评估,最终确定可用的算法;
(4)调整算法的参数,使得结果变得更加优良;
从数据处理到算法调优是一个不断完善、循环往复的过程,最终得到最优的模型。
更通俗的解释机器学习这个过程:
(1)定义一个函数的集合
(2)判断函数的好坏
(3)选择最好的函数
四、机器学习发展的五大流派
五大流派
几十年来,人工智能的各个部落一直都在彼此争夺主导权,而合作和算法融合是真正通用人工智能(AGI)的唯一方式。主要分为五大流派
演化阶段
五、机器学习的要素
模型
机器学习的条件概率分布或者决策函数。
简单的说就是使用什么的映射函数来表示特征X和Y标签直接的关系F。
F有两种表达形式: F={f|y=f(x)}或者F={P|P(Y|X)}。 F={f|y=f(x)}为决策函数,为非概率模型;F={P|P(Y|X)}条件概率表示,为概率模型。
作用:基于已经给出的例子来预测特定条件下的结果。
策略
策略就是从假设空间中挑选中参数最优的模型的准备。模型的分类或者预测与实际情况的误差(损失函数)越小,模型就越好。
作用:通过引入损失函数的方式来度量模型的好坏。
算法
具体的计算方法。如何求解全局最优解,并使得这个过程高效而且准确。
本质:用计算机算法怎么求数学问题的最优解。
三者直接的联系
基于训练数据集,根据学习策略,从假设中间选择最优模型,最后考虑用什么样的计算机方法来求解这个最优模型。
六、总结
后面就开始看各大算法了。加油!