![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
人工智能
taczeng
最简单的代码完成尽可能复杂的功能
展开
-
小白都理解的人工智能系列(1)——理解机器学习
机器学习搞懂以下三个问题,你就算了解了机器学习的概念!问题1:机器学习的发展已经很多年了,它是人工智能的入门级技术,那么什么是机器学习呢?顾名思义:机器通过学习,不断调整和优化自己认知世界的方式;它是一帮计算机科学家希望计算机像人一样思考所研发出来的理论,既然要学习,肯定得需要大量学习资料(数据)。它是一门跨学科的技术,涉及到的知识有python编程(主流),大数据(hadoo原创 2018-01-24 16:28:39 · 1686 阅读 · 0 评论 -
小白都理解的人工智能系列(14)——如何处理不均衡数据
问题1:处理不均衡数据的方式原创 2018-01-27 20:47:43 · 347 阅读 · 0 评论 -
小白都理解的人工智能系列(13)——如何加速神经网络训练过程
问题1:如何加速训练?SGD将大的数据拆分成一块块小的数据进行训练。Momentum通过不断调整w值的形式,朝着梯度往下走,以期尽快达到终点。AdaGrad方式类似于一个鞋子,一走弯路,就让你摔倒,让你不得不走直路,尽快到底目的地。Adam是结合两者一起,大部分情况下都适用。原创 2018-01-27 20:37:53 · 1546 阅读 · 0 评论 -
小白都理解的人工智能系列(12)——过拟合
问题1:什么是过拟合?机器学习希望尽可能减少误差,所以就导致了学到的函数不是我们需要的结果,就是过拟合。如下图,红线是机器学习学到的函数,它希望误差尽可能小,所以几乎经过了每一个点,而蓝线才是我们最终希望的结果!如果用红线做预测,结果肯定是不准确的,最终会导致过拟合现象。不能很好地表达除了训练数据以外的数据!问题2:如何解决过拟合?方法1——增加数据量原创 2018-01-27 19:59:07 · 1624 阅读 · 0 评论 -
小白都理解的人工智能系列(11)——激励函数
问题1:什么场合需要记录函数?解决不能用线性方程所概括的问题。原创 2018-01-27 19:44:39 · 323 阅读 · 0 评论 -
小白都理解的人工智能系列(10)——如何区分好特征
问题1:什么是好特征?越具备区分能力的特征(能够很方便地根据这个特征区分出类别)就越是好特征;比如对猫狗分类:脚的个数没啥区分能力,都是四只脚,但是鼻子样子很好作为区分依据,这个就是比较好的特征。问题2:选取特征应该如何选?无意义的信息(不能作为分类依据的特征)就是坏特征;比如区分猫狗类别的时候,猫狗的脚个数。重复性的信息:比如猫狗高度特征,一个用cm表示高原创 2018-01-27 19:35:46 · 389 阅读 · 0 评论 -
小白都理解的人工智能系列(9)——特征数据标准化
问题1:为什么需要特征数据标准化( Feature Normalization)?看下图的计算公式,机器学习的训练是需要不断调整a,b,c三个参数的大小来进行预测优化的,但是,a和b少许的变化对于整体预测价格的结果变化不大,需要不断调整,这样就减慢了训练的效果;就比如a,b,c三个人工作,c最快做完工作,只能等速度慢的a和b做完工作才能结束,那样就影响了效率,所以我们需要进行特征数据标准化的处原创 2018-01-27 19:24:40 · 655 阅读 · 0 评论 -
小白都理解的人工智能系列(8)——如何检验神经网络结果Evaluate Model
问题1:为什么要检验和评价神经网络?可能因为数据问题或者学习效率等参数问题,导致神经网络的训练结果并不理想,因此,需要检验神经网络来验证训练结果。问题2:如何检验和评价神经网络?将70%的数据列作训练数据,将剩下的30%的数据列作测试数据,监测训练结果。偶尔会出现过拟合现象(测试误差比训练误差要大),如下图,当然可以通过特定的方式解决。通过交叉验证的原创 2018-01-27 17:43:52 · 3138 阅读 · 0 评论 -
小白都理解的人工智能系列(7)——生成对抗网络NO5
问题1:什么是GAN(生成对抗网络)?生成对抗网络可以将完全没有任何意义的随机数,通过不断的训练,变成有意义的作品,相当于凭空捏造作品!问题2:GAN是如何实现捏造结果的?如下图,画家(generator)通过随机数,进行作画,给到鉴赏家(discriminator)去鉴赏,鉴赏家通过自己不断学习判断什么才是一副好画,最后反馈给画家相应的信息,让画家能画出更好的画作。原创 2018-01-27 17:26:52 · 416 阅读 · 0 评论 -
小白都理解的人工智能系列(6)—— 自编码
问题1:什么是自编码? Autoencoder拿图片举例,就是将一张图片压缩成信息量很小的数据!问题2:自编码有什么用?如果用神经网络进行图片处理,那么图像可能有上千万张,为了解决神经网络数据大的负担,需要使用自编码将大的图片进行压缩,提取原图片关键信息将其转化为原数据的精髓!最后拿到这些精髓再进行相应的训练即可,可大大减轻压力!原创 2018-01-27 17:14:03 · 1293 阅读 · 0 评论 -
小白都理解的人工智能系列(5)—— 长短期循环神经网络LSTM RNN NO4
问题1:什么是LSTM RNN?LSTM(Long Short-Term Memory)——意思是长短期记忆,LSTM RNN即长短期记忆的循环神经网络。问题2:传统RNN有什么弊端?传统的循环神经网络(RNN)是有弊端的——无法进行长久记忆!我们知道,循环神经网络是需要有记忆功能的。之前说到的都是短期记忆,为什么RNN无法进行长久记忆呢?看下图:加入这原创 2018-01-27 16:53:47 · 3628 阅读 · 0 评论 -
小白都理解的人工智能系列(4)——理解循环神级网络NO3
问题1:什么是循环神经网络RNN?如下图,如何能让Alpha蚂蚁识别下图的句子(是让它识别句子理解句子而非文字),并且填入正确的答案呢?如果用以往的方式,Alpha蚂蚁只能看到是这个字以及它后面的内容,关键是谁知道是后面该填写什么?Alpha蚂蚁去搜索了百度,百度上最高的统计结果是:“是”后面跟着“我”字,于是Alpha蚂蚁在这里填写了“我”,但是结合上下文我们知道,这里填“我”是原创 2018-01-24 18:07:36 · 459 阅读 · 0 评论 -
小白都理解的人工智能系列(3)——理解卷积神级网络NO2
问题1:什么是卷积神经网络?利用卷积神经网络,可以在图片,语音等方面给出更优化的识别结果;不再是对每一个点的处理,改成对每一个数据块的处理,可以提高数据的处理速度。问题2:卷积神经网络是如何运作的?如下图,通过过滤器进行小批小批的像素块的搜集,将A的右下角进行卷积,识别出这是A的右下角,卷积即是一小段数据。举个栗子:大A如果有24X24个像素点(不做卷积,1个像素点看做1张图片原创 2018-01-24 17:28:29 · 1054 阅读 · 0 评论 -
小白都理解的人工智能系列(2)——理解神级网络NO1
问题1.什么是神经网络?做人工智能研究的科学家在想,Alpha蚂蚁能不能像人一样思考呢?答案是可以实现的,只要让Alpha蚂蚁具有像人类大脑一样的神经元就行了;因此,需要人一个个地为Alpha蚂蚁手动写合适的神经元,如果想要成为一个真正的人,那就得手动写像人类大脑一样那么多的神经元即可实现(恩,人类大脑大概几百亿个神经元吧,是不是相当复杂,所以类人机器人,真正的强人工智能还有很长一段路要走)原创 2018-01-24 17:08:55 · 825 阅读 · 0 评论 -
小白都理解的人工智能系列(15)——L1/L2 正规化 Regularization
问题1:什么是L1/L2 正规化 Regularization?为了解决过拟合问题,误差公式对应做出了一点修改,误差公式的两种计算公式分别对应L1和L2正规化。原创 2018-01-28 12:52:50 · 680 阅读 · 0 评论