文章目录
前言
提示:主要是介绍了人工智慧和人工智能的一些基本框架
一、人工智慧
深度学习是人工智慧之一
生物的本能
人类设定好的本能
这两者的比较
hand-crafted rules没有办法考虑到所有的可能性,没有办法超过创造他的能力,它只是遵顼人类写完的规则来执行。很可能是人类设定的 if so
AI:不应该是人设定好的if so(伪AI)而应该是教他们去学习,就像教小孩一样。比如具有辨识能力——提供他资料,他能寻找我们需要的东西。
machine learning ~=looking for a function。
举例为:我们输入一张图片——》它能提供它到底是什么动物
我们需要一开始准备成千上万的图片以及其正确的标签(及机器有正确的输入输出去学习)机器可以根据这一堆图片 +有效的算法=正确的标签——训练完成
然后就可以用这一套来执行辨识任务(输入一张图片(猫)希望它出来是猫)。
所以主要的过程就是:找一个function——有一个好的方法找出最好的function——执行这function。
二、学习导图
监督学习
回归问题
“消化”掉过去的资料——>去预测未知的资料
分类问题
binary classification
输入——>输出是或者非
训练方法:给他大量的data告诉应该是或者不是,让它去学习,它自动可以找到分辨的function。
multi-class classification
function任务:输入很多资料,分辨它是哪一种资料。
训练方法:要事先提供给它很多训练资料,然后给它新的资料,它再去分辨。
function set——model
线性模型/非线性模型(Deep learning)
半监督学习
监督学习:我们需要告诉机器function的输入和输出让它去学习
半监督学习:一些输入没有输出(也就是没有label),但对学习也会有帮助
迁移学习
作用:相较于监督学习,迁移学习也可以减少data的用量
一些输入没有输出(也就是没有label),但是有些并不影响最终结果。比如只需要分辨猫狗,但是里面融入了动漫照片,
无监督学习
完全没有任何label的情况下,让机器给出答案,即无师自通
比如查阅了大量的文献,让他去解决一个分类问题。
只有function的input 没有output
监督学习中的结构化学习
输出的东西是要有结构性的。比如句子的输出是由结构的,图片的读取它能意识到左边和右边
强化学习
监督学习就是手把手教它答案是什么。
但是强化学习就是不告诉它答案是什么,只能说它做的离正确答案还有多远。他需要它自己去反思它哪里不好。强化学习还是比较智能的。
AI训练师
AI训练时要挑选合适的model, loss function。因为不同问题背景需要不同的model loss function 。所以是需要有一定检验的AI训练师。(说不定未来还可以AI自己训练自己/(ㄒoㄒ)/~~)
总结
提示:这里对文章进行总结:
例如:之前一直注重于监督学习,未曾涉猎于其他无监督学习,强化学习等,还是才识浅薄,需要努力!