AI学习笔记
没有AI,没有人工智能,当前的计算机处理不存在智能,所谓的AI,所谓的人工智能,只不过是面对一些特定问题时,采取了与传统计算机处理问题不同的思路和方法。
1:传统计算机对问题的解决
通过定义流程,数据结构,操作命令,设置满足或不满足的条件来对特定的问题进行处理,例如,我们有一堆红色和白色的球混合在一起,我们要进行区分,传统上我们的做法是下面的样子:
检查这些球,人为归纳出红色的球具有的特征,归纳出白色的球具有的特征,然后让计算机根据这些特征进行判断,如果一个球具有归纳出的红球特征,则认为这个球是红色,如果一个球具有白球特征,则认为这个球是白色。
当计算机的程序确定以后,只要是具有红球特征的球被传递计算机后,即使该球是白色的,计算机仍然会认为他是红色的。
2:当前大热的人工智能是如何解决这类问题
我们先找很多的白球和红球,并且做好标记,比如说A球是红球,B球是白球,然后将这些球传递给计算机,让计算机代替人进行这些球的特征的归类;当计算机利用特殊的算法进行大量的归类以后,我们传递一个新的球给计算机后,计算机就能判断这个球是红色或白色(当然这样仍然存在偏差)
所以这是一个数学或算法问题。不是传统意义或科幻电影中所讲的人工智能。
当然由于互联网的发展,产生了大量的数据,从这些数据中归纳总结出一定的规则,然后将这些规则应用到新的分析判断上,产生了非常好的效果。
所以当前所讲的AI或人工智能,都属于机器学习数据特征并总结归纳的一部分。
机器如何进行学习
计算机通过人工定义的算法进行学习。这样的算法有很多,例如KNN,决策树等。
从大的方面又划分位有监督学习算法和无监督学习算法。
有监督学习算法:对于数据,由人先给出数据对应的结果,然后由机器根据这些数据学习对应的特点和规律,学习完成后,可以应用到新的没有对应结果的数据上并可以对新数据进行处理。
无监督学习算法:对于数据,完全让机器根据数学规律进行统计分析,人不参与对数据标记。
总结:
机器学习就是:根据给定的数据特征和结论,利用数学的方法,让计算机找出一个这样的函数,这个函数的输入就是数据特征,输出就是对应结论。当找到这个函数以后,如果有新的数据,则将新的数据代入到这个函数中,从而计算出对应的结论。