机器学习简介

近年来,经常会听到人工智能、机器学习和深度学习等概念,尤其是深度学习特别火热,似乎没做过深度学习,都不好意思说自己是cs的学生。
一、 人工智能、机器学习和深度学习之间的关系
在这里插入图片描述
人工智能是目标(人工智能顾名思义就是人为去创造智慧),机器学习是手段(让机器具有学习的能力),通过机器学习的方式去实现智能,机器学习包含深度学习。
根据生物学特性,我们知道智能分为两种情况,一是先天拥有(基因自带)二是后天学习。机器学习可以看做是后天学习,在机器学习出现之前科学家用什么方式实现人工智能呢?
类似于先天拥有(基因自带),科学家通过人为设定一些规则让机器看起来智能。

二、hand-crafted rules
在这里插入图片描述
在早期会通过hand-crafted rules 来达到人工智能,但是hand-crafted rules有缺点:
1 没有办法考虑到所有情况(永远无法超越创造者)
2 需要花费大量的人力

三、机器学习
抽象地来说,机器学习就是写个程序让机器具有学习的能力。人为设定是写程序让机器执行具体的事儿。
在这里插入图片描述
具体点说,机器学习就是从数据中学到一个function

在这里插入图片描述
机器学习需要:
1 大量的数据
2 一定的计算能力

简要来说,机器学习可以分为3步。1是通过模型提供大量的function 2 衡量function的好坏 3
选出最好的function
在这里插入图片描述

四、机器学习分类
机器学习根据使用情境可以分为:监督学习、无监督学习、半监督学习、迁移学习和强化学习。根据目标又可以分为回归、分类和结构化学习。
在这里插入图片描述
监督学习、无监督学习和半监督学习我们比较熟悉,来看看监督学习和强化学习的区别。
在这里插入图片描述
监督学习每个输入都有正确的答案,机器可以通过输入和答案来共同学习。而强化学习的每个输入并没有正确答案,只有评价好还是坏。机器通过输入和评价来学习。监督学习和强化学习很像我们在学校的学习和进入社会后的学习,在学校里学习老师会给我们正确答案,进入社会后没人会告诉我们正确答案,只会对我们所做所为给出反应,我们要通过其他人的反应来慢慢摸索学习。
很多时候,学习情境是我们自己没有办法控制的。不过,针对同一问题在可以做监督学习的情况下就不要去做强化学习。

根据目标分为回归、分类和结构化学习,其中回归和分类我们比较熟悉(回归的值通常是标量连续的, 而分类结果自然是类别,不连续的)。来看一下结构化学习:
在这里插入图片描述
结构化学习问题要比分类和回归问题更为复杂,但是生活中更常见的是结构化问题。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值