1.1初识人工智能

1.1.0 abstract

• 声明&＃xff1a;本文只为我闲暇时候学习所做笔记&＃xff0c;仅供我无聊时复习所用&＃xff0c;若文中有错&＃xff0c;误导了读者&＃xff0c;敬请谅解&＃xff01;&＃xff01;&＃xff01;

1.1.1 人工智能与机器学习的关系

1.1.1.1 什么是人工智能

1.1.1.2 限制领域AI和通用领域AI

1.1.1.3 什么是机器学习

1.1.1.4 从数据中学出规律

1.1.1.5 什么是深度学习

[外链图片转存失败(img-pUtcydC7-1569209662736)(https://cdn.nlark.com/yuque/0/2019/jpeg/501351/1569181345655-a7202d72-dff7-403c-a93d-4f177e8887f4.jpeg?x-oss-process&＃61;image/resize,h_450)]

1.1.1.6 人工智能、机器学习和深度学习之间的关系

1.1.2 监督学习和无监督学习

• 监督学习

监督学习的样本数据D&＃xff0c;包含了特征向量X,和对应的标签y&＃xff0c;监督学习的任务就是通过对已有的已经标注好特征和标签的样本数据D的学习&＃xff0c;找到一个预测函数_f_来实现特征向量X到y的映射关系&＃xff0c;通多_f_来预测未标注样本的标签y。

• 监督学习案例&＃xff1a;

监督学习的常见场景&＃xff0c;人脸识别&＃xff0c;语音识别&＃xff0c;主题分类&＃xff0c;机器翻译&＃xff0c;目标检测&＃xff0c;金融风控&＃xff0c;情感分析&＃xff0c;自动驾驶等。

• 无监督学习

无监督的样本数据D中的数据一般每个样本只有特征向量&＃xff0c;没有特征所对应的标签&＃xff0c;无监督学习主要是研究样本特征之间的规律&＃xff0c;比如聚类等。

• 无监督学习案例&＃xff1a;
  
  

1.1.3 常见的机器学习算法

1.1.4 回归问题与分类问题

• 回归问题的输出值一般是连续性的数值
• 分类问题的输出值一般是离散的值
• 简单来讲&＃xff0c;回归问题就是用来预测某一个具体的数值&＃xff0c;分类问题则预测某一个具体的类别。两个都属于监督学习的范畴。
  

1.1.5 样本&＃xff0c;特征和标签

如表所示&＃xff0c;所有的数据行构成了整个数据集合&＃xff1a;
表中的前面四列为样本特征&＃xff1a;
表中的最后一列为样本标签&＃xff1a;


表中的一整行数据代表一个样本&＃xff1a;

1.1.6 训练数据和测试数据

对于用于做实验的数据集&＃xff0c;一般会把整个数据集分为训练数据集和测试数据集&＃xff0c;训练数据集用于训练特征向量X到标签y上的函数_f,_当训练结束后通常会使用训练得到的函数_f 对_测试数据集进行从特征向量X到预测标签y’的预测&＃xff0c;通过对比测试数据集上的的样本的真实标签y与_f _预测得到的预测标签y’的差值来判断预测函数_f _的好坏。

1.1.7 机器学习建模流程

• 数据集&＃xff1a;机器学习的基础&＃xff0c;一切研究的基础
• 数据预处理&＃xff1a;数据清洗&＃xff0c;去掉缺失数据&＃xff0c;数据填补等
• 特征工程&＃xff1a;将数据转换成为数值类型的数据来表示&＃xff0c;比如向量&＃xff0c;矩阵&＃xff0c;张量&＃xff0c;来直接作为模型的输入
• 建模&＃xff1a;机器学习模型的尝试&＃xff0c;组合&＃xff0c;调参
• 验证&＃xff1a;通过测试数据集&＃xff0c;对模型的验证