2022-01-10 11:18:12|已浏览：3972次
今天带您一起来了解下关于人工智能的基础知识。
01、机器学习是什么
机器学习的核心是，“用算法解析数据，从中学习，然后对某些事物做出决定或预测。”这意味着，你无需明确地编程计算机来执行任务，而是教计算机如何开发算法来完成任务。机器学习主要有三种类型，它们各有优缺点，分别是：监督学习，无监督学习和强化学习。
1. 监督学习
监督学习的两种主要类型是分类和回归。在分类中，训练的机器将把一组数据分成特定的类。比如邮箱的垃圾邮件过滤器，过滤器分析之前标记为垃圾邮件的邮件，并将其与新邮件进行比较。如果达到某个百分比，则这些新邮件会被标记为垃圾邮件，并发送到相应的文件夹；不像垃圾邮件的将被归类为正常并发送到收件箱。
第二种是回归。在回归中，机器使用先前标注的数据来预测未来。比如天气应用。利用天气的相关历史数据（即平均温度，湿度和降水量），手机的天气应用可以查看当前天气，并对一定时间范围内的天气进行预测。
2. 无监督学习
在无监督学习中，数据是未标注的。由于现实中，大多数的数据都是未标注的，因此这些算法特别有用。
无监督学习分为聚类和降维。聚类用于根据属性和行为对象进行分组。这与分类不同，因为这些组不会提供给你。聚类将一个组划分为不同的子组（例如，根据年龄和婚姻状况），然后进行有针对性的营销。另一方面，降维涉及通过查找共性来减少数据集的变量。大多数数据可视化使用降维来识别趋势和规则。
3. 强化学习
强化学习使用机器的历史和经验来做出决策。强化学习的经典应用是游戏。与监督和无监督学习相反，强化学习不注重提供“正确”的答案或输出。相反，它专注于性能，这类似人类根据积极和消极后果进行学习。如果孩子碰到了热炉，他很快就会学会不再重复这个动作。同样在国际象棋中，计算机可以学习不将王移动到对手的棋子可以到达的地方。根据这个原理，在游戏中机器能够最终击败顶级的人类玩家。
02、机器学习的发展历程
机器学习的最早由贝叶斯在1783年发表的同名定理中提出。贝叶斯定理根据类似事件的历史数据得出事件的可能性。换句话说，贝叶斯定理是一种从经验中学习的数学方法，这也是机器学习的基本思想。
几个世纪后的1950年，计算机科学家艾伦·图灵发明了图灵测试，计算机通过文本对话，从而让人类认为与其交谈的是人而不是计算机。图灵认为，只有当机器通过这项测试才能被认为是“智能的”。
在此之后不久，1952年，亚瑟·塞缪尔开发了第一个真正的机器学习程序，在简单的跳棋游戏中，计算机能够根据之前的游戏学习策略，并提高之后的表现。接下来是1963年，唐纳德·米基开发了基于强化学习的tic-tac-toe项目。
机器学习的最大突破是2006年深度学习的发展。深度学习是机器学习的一个类别，旨在模仿人类大脑的思维过程，通常用于图像和语音识别。
如今我们使用的许多技术都不离开深度学习。你是否曾将照片上传到Facebook帐户，并标记图中的人物？Facebook正在使用神经网络识别照片中的人脸。还有Siri，当你向iPhone询问今天棒球比赛的比分时，你的语音将通过复杂的语音解析算法进行分析。没有深度学习，这一切都将难以实现。
03、机器学习的原理
初学者们要注意了，如果想完全理解大多数机器学习算法，那么必须对一些关键数学概念有基本了解。但不要害怕，这些概念很简单，有些可能你已经掌握了。机器学习涉及到线性代数、微积分、概率和统计。
线性代数概念Top 3：
1. 矩阵运算
2. 特征值/特征向量
3. 向量空间和范数
微积分概念Top 3：
1. 偏导数
2. 向量值函数
3. 方向梯度
统计概念Top 3：
1. 贝叶斯定理
2. 组合学
3. 抽样方法
让我们看到一些常见的算法：
1. 回归算法
这可能是最流行的机器学习算法，线性回归算法是基于连续变量预测特定结果的监督学习算法。另一方面，逻辑回归专门用于预测离散值。这些算法都以其速度而闻名，它们被认为是最快的机器学习算法之一。
2. 基于实例的算法
基于实例的分析根据提供数据的特定实例来预测结果。最著名的基于实例算法是k-Nearest Neighbor，也称为kNN。用于分类中，kNN比较数据点的距离并将每个点分配给它最接近的组。
3. 决策树算法
决策树算法聚集“弱”学习元素，让它们一起形成强大的算法，这些元素以树状结构组成。其中比较流行的决策树算法是随机森林算法。在该算法中，弱学习元素是随机选择的。在下面的例子中，我们可以发现许多共同的特征（比如眼睛为蓝色或非蓝色），这都无法对动物种类进行辨别。然而，当我们将所有这些观察结果结合在一起时，我们能够形成更完整的理解并进行更准确的预测。
4. 贝叶斯算法
这些算法基于贝叶斯定理的，最受欢迎的是朴素贝叶斯算法，它经常用于文本分析。例如，大多数垃圾邮件过滤器都使用贝叶斯算法。它们使用按类别标记的用户输入数据来比较新数据，并对其进行适当分类。
5. 聚类算法
聚类算法专注找到元素间的共性，并相应地对它们进行分组。常见的聚类算法是K-Means聚类。根据K-Means，分析人员选择聚类的数量（由变量K表示），算法将元素按物理距离分组到适当的聚类中。
6. 深度学习和神经网络算法
人工神经网络算法基于生物神经网络的结构。深度学习采用神经网络模型并对其进行更新。它们是大型且极其复杂的神经网络，使用少量标注数据和大量未标注数据。神经网络和深度学习具有许多输入，这些输入在产生一个或多个输出之前要通过若干隐藏层。这些连接形成一个特定的循环，模仿人脑处理信息和建立逻辑联系的方式。此外，随着算法的运行，隐藏层通常会变得更小、更细微。
本文由培训无忧网长沙牛耳教育专属课程顾问整理发布，希望能够对想参加长沙大数据分析培训的学生有所帮助。更多大数据分析培训课程资讯欢迎关注培训无忧网大数据人工智能培训频道或添加老师微信：1503333605010
注：尊重原创文章,转载请注明出处和链接 https://www.pxwy.cn/news-id-14188.html 违者必究！部分文章来源于网络由培训无忧网编辑部人员整理发布,内容真实性请自行核实或联系我们，了解更多相关资讯请关注人工智能频道查看更多，了解相关专业课程信息您可在线咨询也可免费申请试课。关注官方微信了解更多：150 3333 6050
