刚开始学习人工智能,在这里把自己学习人工智能的感悟、体会和里程进行下记录。好的学习必须得到大家的积极反馈。
学习关联性:
解决形如超市商品,购买了A商品,大部分人都会购买B商品。没有购买B商品的人就是潜在顾客。这时候就可以采取捆绑销售策略。可以用下面的函数进行表示 P(B/A)= 0.75,表示购买了A商品的人,百分之75购买了B商品。
分类问题:
根据大量数据,总结出模型,为未来决策提供依据。
回归问题:
通过大量数据,来寻找结果与输入之间的函数关系。
分类问题与回归问题都是监督性学习问题。监督学习的实质是学习输入与输出的映射关系,机器学习的数据已经给定包括输入与输出。
非监督学习:
非监督学习只有输入数据,用来发现输入数据之间的规律。
我们希望知道哪些经常发生,哪些不经常发生,在统计学中这被称为密度估计。
密度估计有一种方法叫聚类,将具有类型性质的对象合并到一组。
增强型学习:
做一件事情,实际上是有序动作的集合。这个集合有好坏之分的区别就在于这些动作的序列。
增强型学习就是机器能够评估一个序列的好坏,并从以往好的动作序列中进行学习。
机器学习并不是用来模拟人类和动物的学习过程,而是像其他工程领域一样用来建立一个有用的系统。(这点有点不明白,现在网上很多信息都是说在模拟人脑的思维过程,难道现在机器学习分为了两个学派1、数据派2、思维派)
几乎所有的科学领域都是通过实验获得数据,然后进行数据分析,归纳出模型。机器学习也是这样对数据进行分析,并归纳出模型,然后对行为进行预测。
机器学习的一个重要功能就是自动的分析数据获取信息。
练习:
第一种方法的优点高保真,缺点速度慢
第二种方法的优点速度快,缺点可能丢帧。
要匹配的字符在模版中没有对应的字符,这时候就会出错。
条码读取器仍在使用是因为数字是固定的,不会出现特例。
标记垃圾邮件的方法 1、特定的发现人 2、正文有敏感的关键词
希望计算机把他们放到另一个文件夹中,避免误删除。
输入是目的地 输出是把人送到目的地。通过语音识别来和乘客沟通。与其他出租车沟通需要出租车之间约定俗成的语言。
寻找购买x的顾客,进而寻找到购买x的顾客中有多少购买了y,形成一个P=(y| x).多余三个的可以形成P=(Z|Y|X).
上面反应的问题是非监督性学习问题,通过用户大量的操作,发现输入之间的规律进而预测接下来的步骤。对于用户习惯性的动作来说是有用的,如果用户的习惯发生了改变那么就会变得令人讨厌。
我会进行特定大小矩阵的取样 比如2x2 3x3 .... 进而设计出不会因为缺少某部分就是被不出来。
回归问题,绝对价格没有意义,折旧率更能反映一个车的实际价值。