目录
一、人工智能领域概述:
1.机器学习概述:
机器学习是一门能够让编程计算机从数据中学习的计算机科学。
一个计算机程序在完成任务T之后,获取经验E,其表现效果为P,如果任务T的性能表现,也就是以衡量的P,随着E增加而增加,那么这样计算机程序就被称为机器学习系统。
自我完善,自我增进,自我适应。
2.机器学习问题:
- 建模问题:
所谓i机器学习,在形式上可以理解:在数据对象中通过统计或推理的方法,寻找一个接收特定输入X,并给出预期输出Y的功能函数f,即Y = f(X)。
- 评估问题:
针对已知的输入,函数给出的输出(预测值)与实际输出(目标值)之间存在一定的误差,因此需要构建一个评估体系,根据误差的大小判定函数的优劣。
- 优化问题:
学习的核心问题在于性能的改善,通过数据对算法的反复锤炼,不断提升函数预测的准确性,直至获得能够满足实际需求的最有解,这个过程就是机器学习。
3.机器学习种类:
- 监督学习:
用已知输出评估模型的性能。
- 无监督学习:
在没有已知输出的情况下,仅仅根据输入信息的相关性,进行类别的划分。
- 半监督学习:
先通过无监督学习划分类别,再根据人工标记通过有监督学习预测输出。
- 强化学习:
通过对不同决策结果的奖励和惩罚,使机器学习系统在经过足够长时间的训练以后,越来越倾向于给出接近期望结果的输出。
- 批量学习:
将学习的过程和应用的过程截然分开,用全部的训练数据训练模型,然后再将应用场景中实现预测,当预测结果不够理想时,重新回到学习过程,如此循环。
- 增量学习:
将学习的过程和应用的过程统一起来,在应用的同时以增量的方式,不断学习新的内容,边训练边预测。
4.基于实例的学习和基于模型的学习:
- 基于实例的学习:
根据以往经验,寻找与待预测输入最接近的样本,以其输出作为预测结果。
- 基于模型的学习:
根据以往的经验,建立用于联系输出和输入的某种数学模型,将待预测输入该模型,预测其结果。
二、机器学习的一般过程:
数据处理:
- 数据处理(数据检索,数据挖掘,爬虫)
- 数据清洗
- 特征工程
机器学习:
- 选择模型(算法)
- 训练模型(算法)
- 评估模型(工具,框架,算法知识)
- 预测模型
业务运维:
- 应用模型
- 维护模型
三、:机器学习的典型应用:
股价预测,推荐引擎,自然语言识别,语音识别,图像识别,人脸识别
四、机器学习的基本问题:
- 回归问题:
根据已知的输入和输出寻找性能最佳的模型,将未知输出的输入带入模型,得到持续的输出。
- 分类问题:
根据已知的输入和输出寻找某种性能最佳的模型,将未知输出的输入带入模型,得到离散的输出。
- 聚类问题:
根据已知输入的相识程度,将其划分为不同的群落。
- 降维问题:
在性能损失尽可能小的前提下,降低数据的复杂度。