之前 下一个

关于人工智能的基本事实

人工智能 vs. 机器学习

人工智能(AI)

  • 任何人为复制人类认知特征的软件
  • 非常宽泛的术语,涵盖了从非常简单的技术(例如Google地图)到非常复杂但尚未开发的模型(例如像我们这样的机器思维)

机器学习(ML)

  • AI方法子集
  • 使用未明确为特定数据设计的算法进行插值
  • 计算根据输入的训练数据而变化(“学习”)
  • 用于特定的狭义问题

神经网络和深度学习是机器学习的工具

机器学习原理

当我们想要构建一个可以给我们行动或结论的软件时

例如:

  • 图像分类
  • 声音识别
  • 在监控过程中检测到错误
  • 数字被“翻译回”人类可以理解的语言

数据类型

  • 图片
  • 声音
  • 化学描述符
  • 设备参数
  • 任何其他类型的信号
  • 最后,对于软件来说,任何数据都会变成一系列数字,可以进一步计算:

输入数据准备的2种主要方法:

  • 如果我们知道哪些功能很重要,以及我们希望在数据中观察到什么,则可以将数据(监督学习)标记为将输入与输出相连,并将其用于培训和测试
    • 在这种情况下,我们想创建一个模型来预测数据输出并尽可能减少错误
  • 如果我们希望在不提出假设的情况下查看模式,则不会标记(无监督学习)
    • 数据挖掘,无需先验假设即可搜索模式

构建表示

  • 这是软件根据培训数据计算浏览数据并解释数据的一种方式
  • 使用训练和测试数据执行算法的训练和测试,以优化软件中数据的表示方式
  • •使用我们凭经验知道结果的另一个数据集验证模型。我们将模型预测的数据与经验数据进行比较。

使用表示

  • 优化软件后,便可以将其用于新的,即将到来的数据

最终行为或结论将转换回人类可以理解的格式

超越有监督和无监督的学习……

有时我们没有静态数据,但是不断变化的环境需要交互。

这给我们带来了第三种类型的机器学习,即强化学习。