AI初探

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。