现在人工智能必会知识点总结如下:
一.机器学习概述
1.1人工智能概述
1.1.1cpu与gpu的区别:
- 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
1.1.2人工智能三要素
数据,算法,计算力
1.1.3人工智能,机器学习,深度学习之间的关系
机器学习是人工智能的一个实现途径
深度学习是机器学习的一个方法发展而来
1.2人工智能主要分支
- 计算机视觉
- 语音识别
- 文本挖掘/分类
- 机器翻译
- 机器人
1.3机器学习工作流程
1.3.1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
1.3.2机器学习工作流程总结
- 获取数据
- 数据基本处理
- 特征工程
- 机器学习(模型训练)
- 模型评估
结果达到要求,上线服务
没有达到要求,重新上面步骤
1.3.3获取到的数据集介绍
数据集中一行数据一般称为一个样本,一列数据一般称为一个特征。
数据集的构成:
- 由特征值+目标值(部分数据集没有)构成
为了模型的训练和测试,把数据集分为:
- 训练数据(70%-80%)和测试数据(20%-30%)
特征工程包含:
- 特征提取
- 特征预处理
- 特征降维
1.4机器学习是算法分类
1.4.1算法分类
根据数据及组成不同,可以将机器学习算法分为:
-
监督学习
-
无监督学习
-
半监督学习
-
强化学习
主要是前两个
1.4.2监督学习
定义:输入数据是由特征值和目标值所组成 -
函数的输出可以是一个连续的值(称为回归)
-
或是输出是有限个离散值(称为分类)
1.4.3无监督学习
定义:输入数据是由输入特征值组成,没有目标值 -
输入数据没有被标记,也没有确定的结果。样本数据类别未知;
-
需要根据样本间的相似性对样本集进行类别划分。
有监督,无监督算法对比:
1.4.4半监督学习
定义:训练集同时包含有标记样本数据和未标记样本数据。
1.4.5强化学习
定义:实质是make decisions 问题,即自动进行决策,并且可以做连续决策。
举例:小孩想要走路,但在这之前,他需要先站起来,站起来之后还要保持平衡,接下来还要先迈出一条腿,是左腿还是右腿,迈出一步后还要迈出下一步。
小孩就是 agent,他试图通过采取行动(即行走)来操纵环境(行走的表面),并且从一个状态转变到另一个状态(即他走的每一步),当他完成任务的子任务(即走了几步)时,孩子得到奖励(给巧克力吃),并且当他不能走路时,就不会给巧克力。
主要包含五个元素:agent, action, reward, environment, observation;
强化学习的目标就是获得最多的累计奖励。
1.4.6总结
1.5模型评估
模型评估是模型开发过程不可或缺的一部分。它有助于发现表达数据的最佳模型和所选模型将来工作的性能如何。
按照数据集的目标值不同,可以把模型评估分为分类模型评估和回归模型评估。
1.5.1分类模型评估
准确率:预测正确的数占样本总数的比例。
其他评价指标:精确率、召回率、F1-score、AUC指标等
1.5.2回归模型评估
均方根误差(Root Mean Squared Error,RMSE)RMSE是一个衡量回归模型误差率的常用公式。 不过,它仅能比较误差是相同单位的模型。
1.5.3拟合
模型评估用于评价训练好的的模型的表现效果,其表现效果大致可以分为两类:过拟合、欠拟合。
欠拟合:有四肢的就是人
过拟合:黄皮肤的才是人
1.6深度学习
深度学习的发展源头–神经网络【了解】
多层神经网络,在最初几层是识别简单内容,后面几层是识别一些复杂内容。【了解】