什麼是人工智慧?什麼是機器學習?二者的關係是怎樣的?
阿新 • • 發佈:2022-04-04
1.機器學習概述
1.1人工智慧概述
1.1.1機器學習與人工智慧、深度學習
-
機器學習和人工智慧,深度學習的關係
- 機器學習是人工智慧的一個實現途徑
- 深度學習是機器學習的一個方法發展而來
-
達特茅斯會議-人工智慧的起點
1956年8月,在美國漢諾斯小鎮寧靜的達特茅斯學院中,
約翰·麥卡錫(John McCarthy)
馬文·閔斯基(Marvin Minsky,人工智慧與認知學專家)
克勞德·夏農(Claude Shannon,資訊理論的創始人)
艾倫·紐厄爾(Allen Newell,電腦科學家)
赫伯特·西蒙(Herbert Simon,諾貝爾經濟學獎得主)等科學家正聚在一起,討論著一個完全不食人間煙火的主題:
用機器來模仿人類學習以及其他方面的智慧。
會議足足開了兩個月的時間,雖然大家沒有達成普遍的共識,但是卻為會議討論的內容起了一個名字:人工智慧
因此,1956年也就成為了人工智慧元年。
1.1.2 機器學習、深度學習能做些什麼
-
用在挖掘、預測領域:
- 應用場景:店鋪銷量預測、量化投資、廣告推薦、企業客戶分類、SQL語句安全檢測分類…
-
用在影象領域:
- 應用場景:街道交通標誌檢測、人臉識別等等
-
用在自然語言處理領域:
- 應用場景:文字分類、情感分析、自動聊天、文字檢測等等
1.2 什麼是機器學習
1.2.1 定義
機器學習是從資料中自動分析獲得模型,並利用模型對未知資料進行預測。
1.2.2理解
人類從大量的日常經驗中歸納規律,當面臨新的問題的時候,就可以利用以往總結的規律去分析現實狀況,採取最佳策略。
例如:
- 從資料(大量的貓和狗的圖片)中自動分析獲得模型(辨別貓和狗的規律),從而使機器擁有識別貓和狗的能力。
- 從資料(房屋的各種資訊)中自動分析獲得模型(判斷房屋價格的規律),從而使機器擁有預測房屋價格的能力。
1.2.3 資料集構成
- 結構:特徵值+目標值
注:每一行資料被稱為一個樣本,目標值不是必須存在的,但是會存在特徵值。
1.3 機器學習演算法分類
分類:
- 特徵值:貓/狗的圖片;目標值:貓/狗-類別
- 分類問題
- 特徵值:房屋的各個屬性資訊;目標值:房屋價格-連續型資料
- 迴歸問題
- 迴歸問題
- 特徵值:人物的各個屬性資訊;目標值:無
- 無監督學習
1.3.1小結
1.3.2機器學習演算法分類
- 監督學習(supervised learning)(預測)
- 定義:輸入資料是由輸入特徵值和目標值所組成。函式的輸出可以是一個連續的值(稱為迴歸),或是輸出是有限個離散值(稱作分類)。
- 分類 k-近鄰演算法、貝葉斯分類、決策樹與隨機森林、邏輯迴歸、神經網路
- 迴歸 線性迴歸、嶺迴歸
- 無監督學習(unsupervised learning)
- 定義:輸入資料是由輸入特徵值所組成。
- 聚類 k-means
1.4 機器學習開發流程
注:參考了黑馬程式設計師相關資料。