读书笔记－AI 超入门-大西可奈子

上篇 认识AI
根据经常与未知事物（无相关信息）一同出现的已知事物（有相关信息）去推测未知事物的性质——人工智能经常使用的方法。
AI可以做预测（根据已知信息，加上自己的预测技术），重点在于主动判断，即不是单纯的IF语句实现的功能，而是可以根据已有的信息，来给出判断。比如，温度达到２５°就关机的空调不是AI的，但是如果根据人离开就关机的空调可以算做AI空调，就是需要一些更复杂的判断。但AI技术也不是越复杂越好，而是可以辅助做一些预测行为。
分类是AI的强项，根据输入的已知信息，建立规则，进行分类。对于没有已知的信息，根据推测得到结果。但AI无法知道正解是什么，它只是尽其所能给出尽量靠近正解的答案。
１９５６年，第一次出现人工智能，但是最著名的是一台名叫“伊莉莎”的计算机，可以进行简单的文本对话。人工智能的第二次热潮是在２０世纪８０年代，“专家系统”。现在，“机器学习”技术的出现，成为第三次热潮出现的契机。
现在的AI技术，就是指计算机可以从数据中自主归纳出模式和规则。输入“从X推导出Y”的信息，对于输入“Z”，计算机可以自主思考做出应答。“机器学习”的一般定义是指“计算机根据人输入的数据制定规则，而不是由人来施予规则”。
“机器学习”是如何进行的？根据输入的不完整规则＋海量的数据。计算机可以实现对不完整规则的不断完善和调整，此过程为“学习”。
学习：监督学习，无监督学习，强化学习三类。
监督学习：数据有标签；作者人为，如果要开发基于监督数据的AI系统，至少需要万级数据。如何制定监督数据，和监督数据的数量，是决定模型有效性的重要因素。
无监督学习：对没有标签的数据，挖掘潜在的规则，比如“聚类”，根据聚类的结果分析规则。
强化学习：对”某种状态下的各种行动进行评价，借此主动学习更好的行动方式“。比如下棋这样的学习。“试探性的走出一步，通过观察结果的好坏对”在某种状态下该走哪一步“的内在规则给予改善，这里的规则是指”下一步该走哪一步的概率“。强化学习的学习是指对”概率“的改进。但强化学习不只是对下一个状态来说当前选择最优，而是要有”积累报酬（很多步骤累积）“的思维方式，达到最终的最佳结果。同时，还要考虑”折算效应“。
有监督学习的性能评价：
数据分成三个部分，训练数据＋验证数据，用来对模型进行训练和选择；测试数据，对训练好的模型进行性能评价。
监督学习用于对数据进行分类，无监督学下用于对数据进行分割，强化学习用于学习在某种状态下的行动规则，比如设计一个和用户互动良好的机器人。