机器学习的入门

一. 人工智能三大概念

           1.  人工智能（AI）人工智能是探究智能行动的计算主体的合成和分析的领域，是用计算机来模拟和代替人脑。

           2. 机器学习（ML）机器学习是使计算机具有无需明确编程即可学习的能力和研究领域。

           3. 深度学习（DL）深度学习，也叫深度神经网络，是一种使用多层神经网络对数据进行高层抽象的机器学习技术。

二. 机器学习的应用领域与发展史

 机器学习的应用领域

 机器学习的发展史

1. 早期 (上世纪50-60年代)：机器学习的萌芽期，但受限于理论和计算能力，没有太多实际应用。
2. 兴起期 (80年代)：机器学习理论框架初步建立，提出了一些重要模型与算法，开始应用于语音识别与分类等实际问题。
3. 发展期 (90年代后期)：新的机器学习算法的提出，使其性能大幅提升，得到长足发展。
4. 繁荣期 (21世纪10年代以后)：大数据与深度学习的兴起使机器学习进入快速发展期，提高了机器学习性能。

 

AI发展三要素

1.数据：数据是AI模型训练的基础，数据的质量对模型的性能有着直接的影响。 高质量的数据能够提高模型的泛化能力和鲁棒性，使得模型在实际应用中更加准确。

2.算法：算法是模型学习的过程，不同的算法会导致模型学习效果的不同。 近年来，深度学习和神经网络技术在AI领域取得了显著成果。

3.算力：算力是模型训练的保障，强大的算力可以加速模型训练过程，提高训练效率。 随着AI模型规模的不断扩大，对算力的需求也越来越高。

 三. 机器学习常用术语

1.样本和数据集

样本：一行数据就是样本。

数据集：多个样本组成就是数据集。

2.特征

特征：一列数据一个特征，有时也被称为属性。

3.标签

标签：模型要预测的那一列数据。

4.数据集划分

训练集用来训练模型、测试集用来测试评估模型。一般比例为7:3或8:2.

四. 机器学习算法分类

1.有监督学习

定义：输入数据是由输入特征值和目标值所组成，即输入的训练数据有标签的。

数据集：需要标注数据的标签/目标值

2.无监督学习

定义：输入数据没有被标记，即样本数据类别未知，没有标签，根据样本间的相似性，对样本集聚类，以发现事物内部结构及相互关系。

数据集：不需要标注数据

3.强化学习

应用场景：里程碑AlphaGo围棋、各类游戏、对抗比赛、无人驾驶场景。

基本原理：通过构建四个要素：agent，环境状态，行动，奖励，agent根据环境状态进行行动获得最多的累计奖励。

4.半监督学习

工作原理：

              1让专家标注少量数据，利用已经标记的数据（也就是带有类标签）训练出一个模型。

              2再利用该模型去套用未标记的数据。

              3通过询问领域专家分类结果与模型分类结果做对比 。