快捷导航

人工智能必备基础知识赏析

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。

▲来源:Mactores

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。

▲来源:XKCD

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

一旦掌握了基本的数学概念,就可以入门机器学习了,有5个主要步骤。

▲来源:Python Tips

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。

▲来源:Towards Data Science

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。

▲来源:KDnuggets

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。

▲来源:PyBloggers

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。

▲来源:Simafore

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。

▲来源:Brilliant

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。

▲来源:Synopsys

7. 其他算法

下面的图表注明了主要的机器学习算法,它们的类别以及之间的关系。

▲来源:scikit

一旦选择并运行算法,你还需要一个非常重要的步骤对结果进行可视化。虽然与算法编程相比,这看似很简单而没有技术含量。但出色的可视化能力对于数据科学家来说是至关重要的。即使你得出的分析见解再好,一旦没有人能理解也是毫无价值的。

04 机器学习的重要性

我们需要明确的是,机器学习有潜力能够改变世界。通过Google Brain和斯坦福机器等研究团队的努力,我们正朝着真正的人工智能迈进。但是,机器学习即将影响的领域有哪些呢?

1. 物联网

物联网或IOT,指家庭和办公室中与网络连接的物理设备。其中一个流行的物联网设备是智能灯泡,其销售额在过去几年中飙升。随着机器学习的进步,物联网设备比以往更智能,更复杂。

物联网相关的机器学习应用主要有两方面,提高设备性能和收集数据。

提高设备性能非常简单,我们可以使用机器学习来定制环境,比如用面部识别软件识别谁是房间里,并相应地调整温度和空调。

收集数据更加简单,通过连接网络的设备(如Amazon echo),亚马逊等公司将收集的用户数据提供给广告商,这些数据包括你会看哪些节目,起床和睡觉的时间,你家里有几口人等等。

▲来源: i-Scoop

2. 聊天机器人

在过去几年,聊天机器人的数量激增,复杂的语言处理算法在不断改进。公司在自己的移动应用和第三方应用上使用聊天机器人,从而提供比更快、更高效的客户服务。例如,如果要从H&M订购衬衫,你可以告诉他们的聊天机器人你想要的款式和尺寸,轻松订购产品。

▲来源:zipfworks

3. 自动驾驶汽车

如今,雪佛兰、优步和特斯拉等几家大公司正在开发自动驾驶汽车。这些汽车使用通过机器学习进行导航、维护和安全程序。比如交通标志传感器,它使用监督学习算法来识别交通标志,并与标注数据集进行比较。因此,汽车看到停车标志时,系统将进行确认并停车。

以上就是机器学习相关的一些基础概念,希望能够对你的机器学习之旅有所帮助。


鲜花

握手

雷人

路过

鸡蛋
该文章已有0人参与评论

请发表评论

全部评论

本文作者2020-9-10 09:26 AM
人工智能
粉丝1 阅读40 回复0
上一篇:
人工智能基础 (高济所著科学图书)介绍发布时间:2020-09-10
下一篇:
三大基础是如何运作和实现人工智能的?发布时间:2020-09-10

精彩阅读

排行榜

人工智能公众号

扫码微信公众号
我陪你畅想未来

最智能的人工智能网!
QQ:162057003
周一至周五 9:00-18:00
意见反馈:162057003@qq.com

扫一扫关注我们

Powered by Discuz! X3.4   © 2020 ( 鲁ICP备18055727号 )  |  |网站地图