人工智能三大概念:
人工智能(AI),机器学习(ML),深度学习(DL)。
人工智能(AI):就是仿智。
机器学习(ML):机器自动学习,不基于规则编程。
深度学习(DL):深度神经网络,大脑仿生。
三者之间的关系:深度学习是机器学习的一种方法,机器学习是实现人工智能的途径。
算法的两种学习方式:
基于规则的学习:程序员根据经验手工的if-else方式进行预测。
基于模型的学习:从数据中自动学出规律。
机器学习的应用领域:
计算机视觉(computer vision):对人看到的东西进行理解。
自然语言处理:对人交流的东西进行理解
人工智能发展三要素:数据,算法,算力
样本和数据集:
样本(sample):一行数据就是一个样本。
数据集(dataset):多个样本组成数据集
特征:一列数据一个特征,有时也被称为属性。
标签:
标签(label)/目标(target):模型要预测的那一列数据。
数据集划分:
训练集用来训练模型,测试集用来测试预估模型。
训练集:测试集=7:3/8:2
机器学习算法分类:
监督学习:训练数据有标签的学习
分类问题与回归问题:
标签连续是回归,离散是分类(二分类,多分类。)
无监督学习:训练数据无标签的学习
半监督学习:一半有标签,一半无标签。(标注少量数据,训练一个模型再标注未标数据。)
强化学习:构建四要素:agent,环境状态(enironment),行动(action),奖励(reward)。
机器学习建模流程:
1.获取数据:获取经验数据 图像数据 文本数据
2.数据基本处理:数据缺失值处理 异常值处理
3.特征工程:特征提取 特征预处理 特征降维
4.机器学习:线性回归 逻辑回归 决策树 GBDT
5.模型评估:回归评测指标 分类评测指标 聚类评测指标