欢迎大家来一起学习！
这一节我们主要学习
- 人工智能发展史
- 人工智能/机器学习/深度学习关系
- 生物的本能与机器的本能
- 什么是机器学习?
- 机器学习分类以及各个模型的应用场景
1. 人工智能发展史
人工智能的历史源远流长。1956年，在达特茅斯学院举行的一次会议上正式确立了人工智能的研究领域。 人工智能当时简单的定义就是希望机器能够像人一样的聪明。
2. 人工智能/机器学习/深度学习关系
3. 生物的本能与机器的本能
- 生物本能
- 先天条件
- 后天学习
- 机器本能
- 设定规则
- 永远无法超过创造者
4. 什么是机器学习?
机器学习在近30多年已发展为一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。
机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。
机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。
机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、
检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。
-
第一步:类似于从数据(DATA)中寻找一种函数(Function)
- 语音识别
- 图像识别
- 阿尔法狗
- 聊天机器人
-
第二步:寻找函数,建立机器学习模型
-
第三步:评价模型的好坏
-
机器学习流程总结:
其实机器学习的流程与将大象放在冰箱里的流程是一样的,对比如下:
| 类别 | 第一步 | 第二步 | 第三步 |
|---|---|---|---|
| 机器学习 | 类似寻找函数规则 | 建立模型Model | 评价模型的好坏 |
| 大象放冰箱 | 打开冰箱 | 大象放进去 | 关上冰箱 |
5. 机器学习路线 (Learning Map)
5.1 监督学习(Supervised learning )
监督学习是指在有标签的数据下进行学习。
-
回归模型
回归问题一般是通过大量的训练数据,找到相对较好的函数,输出是一个数值,
比如预测PM2.5.我们先从历史数据中找到PM2.5的规律,从而预测未来PM2.5的值。
- 分类（Classification）
- 二分类(是/否,0/1)
- 多分类(类别1,类别2,…,类别 N)
应用:
- 判断邮件是否为垃圾邮件(http://spam-filter.toptenreviews.coms/)
- 将新闻进行分类(http://top-breaking-news.com/)
- 深度学习(Deep Learning)
5.2 半监督学习(Semi-Supervised learning)
数据集中既包含带标记的数据集,也包含不带标记的数据,但是带标记的数据比较少.
比如识别猫和狗:
5.3 迁移学习(Transfer learning)
迁移学习是在已经学习的基础上，去做看似和以前学习不相关的事情，但是实际效果很好。
例如：还是识别猫狗的例子，我们可以在识别猫狗的基础上识别大象、老虎。（在一定的基础上进行学习）
5.4 非监督学习(Unsupervised learning)
非监督学习就是指在数据集没有标注的情况下进行学习.
比如:
- 机器阅读：机器在大量的文档中学会词语的意思
- 机器绘画：机器在看过图片信息后，自己绘制图片
5.5 结构化学习(Structed learning)
结构化学习就是输入或者输出具有结构的数据，而在之前的学习之中，输入和输出都是向量。
在结构学习中，我们需要学习的是一个函数 F 。
结构化学习的输入和输出都是对象，而对象可能是序列、列表或者树等等,形式可以不同。
应用:
- 语音识别
- 机器翻译
- 人脸识别
5.6 增强学习(Reinforcement Learning，RL)
增强学习又叫做强化学习，是近年来机器学习和智能控制领域的主要方法之一。
增强学习关注的是智能体如何在环境中采取一系列行为，从而获得最大的累积回报
通过增强学习，一个智能体应该知道在什么状态下应该采取什么行为。
增强学习是从环境状态到动作的映射的学习，我们把这个映射称为策略。
增强学习需要智能体自己不断地与数据/环境进行交互，通过试错学习的方式获得最佳策略。