前言
人工智能(Artificial Intelligence)是模仿人类智力和行为的科学。而机器学习是人工智能的一个分支,它可以训练计算机如何使用算法或统计信息来查找隐藏的认知并自动从数据中学习知识。
深度学习是机器学习(Machine Learning)方法的其中一种,它使用一些先进算法(例如自动编码或卷积)并把它们应用到深度神经网络,从而达到识别数据模式的目的。由于现在的很多应用产生了海量数据和强大的超级计算机的存在,机器学习才能获得如此巨大的成功。
一、必看的科幻人工智能片(休闲的时候强烈推荐看下)
二、那什么是机器学习?
机器学习(Machine Learning)是一种实现人工智能的方法。
从数据中寻找规律、建立关系,然后根据建立的关系去解决问题。
它是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。
它是人工智能核心,是使计算机具有智能的根本途径。
三、机器学习的应用场景
- 数据挖掘
- 各种网站的数据爬虫;
- 大数据分析及预测
- 股票;
- 房价;
- 商品爆款;
- 计算机视觉
- 人脸识别;
- 汽车自动驾驶;
- 自动图像定位;
- 自然语言处理
- 语音翻译;
- 文字翻译;
- 证卷分析
- 股票涨跌预测;
- 股票风险分析;
- 医学自动诊断
- 医学图像预测疾病;
- 医学化验报告预测健康值;
- DNA测序;
- 机器人
- 波士顿机器人;
- 小米的仿生四足机器人“铁蛋”
总之涉及的行业及场景非常非常多
四、机器学习的基本框架
将 「 训练数据 」 喂给计算机,计算机自动求解数据关系,并在新的数据上做出预测或给出建议
五、机器学习的类别
目前有四大类别
1. 监督学习(Supervised Learning)
百科介绍:点我跳转
简述特点:训练数据包括正确的结果(标签-label)
常见的监督学习算法
- K近邻算法
- 线性回归
- logistic回归
- 支持向量机(SVM)
- 决策树和随机森林
- 神经网络
应用场景
- 人脸识别
- 语音翻译
- 医学诊断
2. 无监督学习(UnSupervised Learning)
百科介绍:点我跳转
简述特点:训练数据不包括正确的结果
无监督学习的常见算法
- 聚类算法
- K均值算法(K-means)
- 基于密度的聚类方法(DBSCAN)
- 最大期望算法
- 可视化和降维
- 主成分分析
- 核主成分分析
- 关联规则学习
- Apriori
- Eclat
应用场景
- 新闻聚类
- 访问聚类
比如说,我们有大量的购物访客的数据,包括一个月内的到达次数、购买次数、平均客单价、购物时长、购物种类、数量等,我们可以通过聚类算法,自动的把这些人分成几个类别,分类后,我们可以人工的把这些分类标记,如企业客户、家庭主妇等,也可以分成更细的分类。
3. 半监督学习(Semi Superviser Learning)
百科介绍:点我跳转
简述特点:训练数据包括少量正确的结果
应用场景
- 照片识别
如照片识别就是很好的例子。在线相册可以指定识别同一个人的照片(无监督学习),当你把这些同一个人增加一个标签的后,新的有同一个人的照片就自动帮你加上标签了。
大多数半监督学习算法都是无监督和监督算法的结合。例如深度信念网络(DBN)基于一种相互堆叠的无监督式组件。
4. 强化学习(Reinforcement Learning)
百科介绍:点我跳转
简述特点:根据每次结果反馈,进行奖惩学习,实现自我优化
应用场景
例如,许多机器人通过强化学习算法来学习如何行走。
六、讨论问题
- 计算机根据汽车行进速度与时间,自动计算出行进距离
- 设备检测工作温度过高发出报警
- 计算机自动搜索网络中潜在的反动舆论
- 德州扑克Pluribus
七、参考文献
关于人工智能
- 百科:什么是人工智能
关于机器学习
- 知乎:什么是机器学习
- 其它:机器学习者必知的5种深度学习框架