AI算法工程师 | 01人工智能基础-快速入门

一、我们身处人工智能的时代

人工智能的时代

互联网时代的发展

站在互联网的角度理解人工智能：人工智能AI（artificial intelligence）是互联网时代发展的必然趋势。

人们从早期做web开发，到移动端的开发；之后随着数据量的增大，人们开始研究高并发的问题；当数据量不断的增大，而人们希望数据不被浪费时，产生了大数据的技术，包括：大数据的如何存储以及大量数据的如何计算分析；由于计算分析和存储需要资源，互联网便发展到通过云计算进行存储与计算，包括虚拟化的计算，如：docker，k8s；再到后来，人们不是仅仅局限于将数据进行存储和简单分析，更多的是想从数据中挖掘出价值，人们便想到了人工智能，因为人工智能中有很多的算法，可以帮助人们从数据中挖掘出价值。

注意，区分大数据和人工智能的概念：
① 大数据：专注于已有的数据的存储和计算，生成分析报表；
② 人工智能：专注于利用已有数据挖掘规律，对未来进行预测。

人工智能领域的技术

在人工智能领域中，其技术的发展具体有如下内容：

人工智能从早期的使用机器学习的算法来做数据挖掘，到分布式的进行数据挖掘；再到进一步的把算法研究得更加深入，走向了深度学习的领域，于是人们开始发现深度学习可以使更加复杂的问题（如：计算机视觉、自然语言处理）变得更加的准确，于是有了各种各样的应用；在人工智能发展过程中还存在强化学习，比如：利用强化学习的技术，在前几年有AlphaGo这样下围棋的机器人，近几年有各种各样的智能制造中使用到的机器人。这些都是应用人工智能产生的一些产业。

所以，人工智能是现在互联网中发展的一个大的趋势：如何更好的利用数据去挖掘数据中的价值，把挖掘到的数据的价值（规律）进行更好的应用，并对各行各业加以帮助。

人工智能的应用

人工智能已经逐步渗透到生产生活中的方方面面，无论是医疗、教育、交通、物流，还是传统生产制造、金融、农业设置是军事、游戏，人工智能的身影无处不在，并发挥着越来越重要的作用。

二、人工智能的流程和基本概念

人工智能常见流程

人工智能是拟人

灵魂三连问：

1. 为什么说 “人工智能是拟人” ？因为人工智能的流程与思考的过程非常相像。
2. 如何看现在的人工智能做得有多好？其越像人的思考过程，越和人的准确率接近，则该人工智能做得越好。
3. 怎么理解人工智能是 “拟人” 这两个字？且看下文讲解 ↓↓↓

首先，需要理解的是何为人工智能？通俗来讲，人工智能就是让机器像人一样具备学习的能力。

其次，人工智能 AI 包含三大块内容，分别是：机器学习 ML（Machine Learning）、深度学习 DL（Deep Learning）、强化学习 RL（Reinforcement Learning）。

在早期的人工智能，人们会称为机器学习，是一些经典机器学习算法的统称。关于 “机器学习” ，可以用 “让机器像人一样具备学习的能力” 这句话来解释。但如何让机器像人一样具备学习的能力，做到人工智能呢？这需要先了解人类的思考过程。

• 人类的思考过程：人的大脑根据生活中的经验，归纳和总结出相对应的规律。这些规律可以使人们未来碰到新的问题时，能够将新的问题代入到脑海中，根据已有的规律来思考——当未来碰到该新问题时，应该给出什么样的预测结果，需进行怎样的决策。
• 人工智能流程对比人类思考的过程：
  • 对于机器，它的大脑是计算能力（如CPU和内存，这些帮助机器来计算的，实际上就是它的大脑），而历史数据相当于人类的经验；
  • 将数据交给计算机进行训练，训练的过程相当于像人一样归纳和总结相对应的规律；
  • 在人工智能中，这些规律就是模型；
  • 未来出现新的问题，即碰到新的数据，将新的数据代入到模型中去预测未知的属性，得到的结果便是预测值。

从中可以发现：这种对已有的数据进行训练得出某种模型，利用此模型预测结果的这一过程，与人类的思考过程非常类似。

人工智能的流程与本质

人工智能的流程：把数据代入到算法中，生成对应的模型，最终把模型上线，来进行预测。（即：数据预处理 → 算法求解 → 模型评估 → 模型上线）

人工智能的本质：把X、y代入公式中计算出参数（解方程组算出参数），当未来有新的X时，将其代入公式中得到预测的y（ŷ，叫做y hat）。

怎么才能猜的更准？“数据为王” 的思想。若拿到的历史数据，其数据质量越高，数据量越大，得到的参数就越可靠，于是通过该参数算出的值会越准确。

做工人智能的目的是——做预测；目标为——生成模型，而想要生成模型，需要数据和算法。
因此，对于人工智能来说，为了得到更好的模型结果，要不就是改算法（公式），要不就是找到更多等好的数据。

算法工程师：
① 核心任务是生成可以预测准确的模型
② 具备相关的代码能力

人工智能基本概念与区别

深度学习以前是机器学习的分支，因为深度学习是基于神经网络算法衍生出来的，由于近些年发展的很快，所有往往单独拎出来成为一门学科。

强化学习以前也只是机器学习的分支，随着现在深度强化学习（深度学习结合强化学习）的流行，也成为了一门学科，强化学习将来有望成为人工智能未来的明星。

机器学习不同的学习方式

人工智能中的核心是机器学习（Machine Learning，ML）。其原因是：机器学习研究的是各种各样的算法，算法是核心。

从学习方式上看，机器学习分为：有监督学习、无监督学习、强化学习

• 有监督学习（Supervised Learning， SL）
  • 指原始数据中既有特征值也有标签值的机器学习
  • 特点：① 目标明确 ② 需要带标签的训练数据 ③ 效果容易评估
• 无监督学习（Unsupervised Learning， UL）
  • 其中没有需要预测或估计的目标变量（或标签值）
  • 特点：① 目标不明确 ② 不需要带标签的训练数据 ③ 效果很难评估
• 强化学习（Reinforcement Learning， RL）
  • 含义：让智能体与环境进行互动，不断学习以便调整策略的过程，这使智能体变得越来越聪明。

人工智能按照学习方式可分为：a. 有监督学习（数据集中有x和y）、b. 无监督学习（有x）、c. 半监督学习（有x和一部分y）、d. 强化学习（智能体与环境互动过程中产生数据，再代入算法中生成模型）。

深度学习比传统机器学习有优势

机器学习：人们更多的是把数据拿过来做特征的抽取（特征处理），这个过程更多的会有人为的参与，如：人为的选择用哪些算法，使用哪些数据做特征抽取。人为更多的参与预处理，将预处理后的数据交给后续的算法去生成算法中的参数。

机器学习和深度学习的区别：
① 机器学习属于浅层的算法（算法的公式不是特别复杂，更像分阶段的流程）；
② 深度学习属于深层的算法（将提取特征的阶段放到整个神经网络中，更像端到端的流程）。

深度学习相比机器学习的优势：
① 是更端到端的学习方式；
② 由于网络层次更深，其可训练的参数更多（可以学习如何更好提取特征）；
③ 可以解决更复杂的问题。

理解 —— 有多少人工就有多少智能（人工智能的本质）

• 机器学习：在特征工程中做的多好，最后的算法就能预测的有多准；
• 深度学习：设计的网络有多好，模型预测的就有多准确。

三、人工智能的常见任务和本质

有监督机器学习任务与本质

做人工智能时，首先要明确需求是什么？预测的东西是什么？即：先明确有哪些任务，再选择相对应的算法。

回归、分类、聚类、降维都是机器学习中具体的任务。其中，① 回归和分类属于有监督机器学习；② 聚类和降维属于无监督机器学习。

回归 Regression

• 本质：拟合历史已有的数据，根据拟合出来的函数走势预测未来
• 目标：预测-inf 到+inf 之间具体的值，连续值
• 应用：股票预测（如：股票值的预测）、房价预测

分类 Classification

• 本质：找到分界，根据分界对新来的数据进行分类
• 目标：对新的数据预测出是各个类别的概率，正确的类别概率越大越好，最后通过选择概率最大的类别为最终类别，类别号 label 是离散值
• 应用：图像识别（如：识别该人是否戴安全帽）、情感分析（如：分析是正面情感还是负面情感）、银行风控（如：预测该人可承受怎样的风险，推荐不同的理财产品）

总结：
① 回归是做拟合，分类是找分界对应的超平面（通常超平面指：点、线、面）。
② 回归（连续型）和分类（离散型）：有监督机器学习。具体看预测的值是离散型的还是连续型的，对应不同的分类。
③ 注意：股票预测中，若要预测未来某股票是会涨还是跌—— 分类任务，则需找分类所对应的算法去求相对应的分界线/面。

无监督机器学习任务与本质

无监督机器学习问题主要有两种：聚类、降维

聚类 Clustering

• 本质：根据样本和样本之间的相似度归堆
• 目标：将一批数据划分到多个组
• 应用：用户分组、异常检测、前景背景分离

降维 Dimensionality Reduction

• 本质：去掉冗余信息量或噪声
• 目标：将数据的维度减少
• 应用：数据的预处理、可视化、提高模型计算速度

总结：
① 聚类就是分组（归堆）；降维类似于换个角度去审视原来的数据。
② 由于维度越多，速度越慢。所以，为提高模型运行速度，通常会做降维的任务。