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
- 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。
- 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。
- 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。
- 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 。