新手理解 人工智能、机器学习、深度学习、神经网络
提示:如有缺陷,请大佬们指正!
前言
本篇纯粹献给研究生阶段使劲啃计算机视觉的自己以及头大的你们。
哎…刚接触计算机视觉的我感觉好高大上,一夜之间从农村到了城市。研一上半学期就在看各种网络和目标分类以及检测,说实话我很想实战一波,就又学了各种搭环境,本人Mac电脑,确实环境的教程很少,只能自己硬琢磨,也想过换电脑,没money啊!!!
上学期课贼多,在保证不挂科的基础上又学别的真的是吃不消,所以看了好多零零碎碎的知识,机器学习的也看,神经网络的也看,深度学习的哒哒哒。。。不过,回家过了个年,忘的一干二净哈哈哈!
哎,出来混早晚得还,还是重新开始吧。
提示:一开始就傻傻分不清,到底先学哪个?从哪里开始?什么方向好找工作??人都要疯。来,整理下吧。
一、人工智能
使机器能够像人一样来解决问题,例如无人驾驶,速度检测,智能追踪啊等等。而人工智能就是要解决这类问题。
二、机器学习
机器学习是一种能够赋予机器学习的能力以此让它完成直接编程无法完成的功能。但从实践的意义上来说,机器学习是一种通过利用数据,训练出模型,然后使用模型预测的一种方法。
三、深度学习
其核心就是自动将简单的特征组合成更加复杂的特征,并用这些特征解决问题。
四、神经网络
最初是一个生物学的概念,一般是指大脑神经元,触点,细胞等组成的网络,用于产生意识,帮助生物思考和行动,后来人工智能受神经网络的启发,发展出了人工神经网络。
来张图就更加清楚了
机器学习的方法:
目前整理了解的 需要深入了解自行百度
1、回归算法
2、神经网络
3、SVM (支持向量机)
4、聚类算法
5、降维算法
机器学习分类
监督学习:训练数据有标签
半监督学习:部分有标签
无监督学习:无标签自己学习
强化学习:自己学习并且找出最好的方法
机器学习模型的评估
准确率
召回率
精确率
TP: Ture Positive 把正的判断为正的数目 True Positive,判断正确,且判为了正,即正的预测为正的。
FN: False Negative 把正的错判为负的数目 False Negative,判断错误,且判为了负,即把正的判为了负的
FP: False Positive 把负的错判为正的数目 False Positive, 判断错误,且判为了正,即把负的判为了正的
TN: True Negative 把负的判为负的数目 True Negative,判断正确,且判为了负,即把负的判为了负的
太绕了 上图!!!!
- 精确率(Precision)
精确率是相对于预测结果而言的,因此精确率即:P=TP/(TP+FP)
- 准确率 (Accuracy)
准确率是指有在所有的判断中有多少判断正确的,所以准确率:(TP+TN) / (TP+TN+FN+FP)
- 召回率 (Recall)
召回率是相对于样本而言的,即召回率 R= TP / (TP+FN)
总结
提示:
模式识别=机器学习
数据挖掘=机器学习+数据库
统计学习近似等于机器学习
计算机视觉=图像处理+机器学习
语音识别=语音处理+机器学习
自然语言处理=文本处理+机器学习