实习认知Day1

人工智能基础知识及发展史

1.人工智能三大概念

人工智能（AI）

什么是人工智能：

（1）人工智能是研究综合和分析的领域智能行动的计算代理；

（2）人工智能是用计算机来模拟，而不是人脑；

即仿智，通过模仿生物或者人的智慧，赋予其思考和自我决断的能力。

AI的期望：

（1）系统像人类一样思考

（2）理性的系统像人类一样思考

（3）行动像人类一样灵活

（4）系统行动理性化

机器学习（ML）

什么是机器学习:

使计算机具备无需明确编程即可学习能力的学科领域

机器如何学习：

人：由新的问题-（输入）->大脑（大脑通过归纳总结得到规律）-（预测）->未来

机器学习通过模仿人的学习过程有一套相似的学习方式

机器：首先将历史数据-（输入）->模型（进行训练，通过将特征数据化，发现规律，调节参数）；让后将新的数据-（输入）->模型 -（进行预测）->得到目标

深度学习（DL）

什么是深度学习：

Deep Learning (DL) ：大脑仿生，设计一层一层的神经元模拟万事万物。

深度学习是机器学习领域中的一个重要研究方向，其目标是让机器能够像人一样具有分析学习能力，识别并理解文字、图像和声音等数据。深度学习主要通过对大量样本的特征进行自学习，实现输入与输出之间的复杂函数逼近。其原理基于神经网络，通过反向传播算法训练网络参数，不断优化网络性能。深度学习在多个领域都有广泛应用，如计算机视觉、自然语言处理、语音识别、推荐系统、医学影像识别、金融风控等。

人工智能、机器学习和深度学习三者之间的关系：

可以理解为机器学习是实现人工智能的一种途径，深度学习是机器学习的一种方法。

算法的学习方式：

基于规则的学习

基于模型的学习

遇到这种无法用常规规律解决的问题，就需要从数据中自动学出规律

房价预测：

2.机器学习的应用领域和发展史

机器学习的应用领域：

机器学习的发展史：

AI发展三要素：

数据、算法、算力三要素相互作用，是AI发展的基石。

3.机器学习常用术语

什么是样本、特征和标签：

以这样的数据为例：

样本(sample) ：一行数据就是一个样本；多个样本组成数据集；有时一条样本被叫成一条记录；
特征(feature) ：一列数据一个特征，有时也被称为属性；
标签/目标(label/target) ：模型要预测的那一列数据。本场景是就业薪资；
就业薪资 与 培训学科、作业考试、学历、工作经验、工作地点 5个特征有关系；
特征如何理解（重点）：特征是从数据中抽取出来的，对结果预测有用的信息  eg:房价预测、车图片识别等。

理解数据集划分的方法：

数据集在训练模型时使用，往往被分为训练集和测试集两部分，比例：8 : 2，7 : 3（有些模型训练时还会加上验证集）；

训练集(training set) ：用来训练模型（model）的数据集

测试集(testing set)：用来测试模型的数据集

#验证集（validation set）：用于评估模型泛化能力

一些常规代码名称：

x_train 训练集中的x，x_test 测试集中的x，y_train 训练集中的y，y_test 测试集中的y

4.机器学习算法分类

有监督学习：

• 特点：数据集通常带有人工标签，提供了一组输入输出对，以便学习一个将输入映射到正确输出的中间系统。
• 应用：常见的应用场景包括垃圾邮件识别、文本情感分析和房价预测等。
• 区别：与其他学习方式相比，有监督学习依赖于带有标签的数据集进行训练，其目标是使模型能够对新的、未见过的数据进行准确的预测。

无监督学习：

• 特点：不依赖标签数据进行训练，而是从未标记的数据中发现模式、结构和规律。
• 应用：常用于聚类、降维或关联规则挖掘等任务，以便从数据中学到有用的信息。
• 区别：与有监督学习相反，无监督学习不依赖于标签数据，而是通过探索数据中的内在结构和关系来进行学习。

半监督学习：

• 特点：介于监督学习和无监督学习之间，同时使用有标签和无标签的数据进行训练，以更好地泛化到未见过的数据。
• 应用：能够充分利用未标记数据，减轻对大量标记数据的依赖，从而在某些场景下提高模型的性能。
• 区别：半监督学习结合了有监督和无监督学习的特点，通过同时利用带标签和不带标签的数据来训练模型，以期望达到更好的泛化能力。

 强化学习：

• 特点：是一种学习如何从状态映射到行为以获取最大奖励的学习机制，涉及agent与环境之间的交互，并通过反复实验和延迟奖励来进行学习。
• 应用：常用于机器人控制、游戏AI和自动驾驶等领域，其中agent需要不断从环境中进行实验，并通过环境给予的反馈来优化其行为。
• 区别：与其他学习方式不同，强化学习没有明确的监督者，而是依赖于环境的反馈来进行学习，其目标是通过不断试错和优化来最大化累积奖励。

5.机器学习建模流程