本文共 901 字,大约阅读时间需要 3 分钟。
人工智能的核心是机器学习。机器学习是一门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的学科。机器学习涉及了很多的大学数学知识:概率论与数理统计、微积分、矩阵论、算法和复杂优化、复变函数、凸优化等,学习时还说有必要复习下相关数学知识的。
监督学习是一个单次决策的过程。监督学习可分为回归(Regression)和分类(Classification)问题。在回归问题中,我们会预测一个连续值。也就是说我们试图将输入变量和输出用一个连续函数对应起来;而在分类问题中,我们会预测一个离散值,我们试图将输入变量与离散的类别对应起来。监督学习的数据集用的是有标签的数据,典型应用:图像识别。
在无监督学习中,我们基本上不知道结果会是什么样子,但我们可以通过聚类的方式从数据中提取一个特殊的结构。在无监督学习中给定的数据是和监督学习中给定的数据是不一样的。在无监督学习中给定的数据没有任何标签或者说只有同一种标签。无监督学习里典型例子:聚类、降维。
强化学习是一个多次决策的过程,可以形成一个决策链。强化学习数据集为空,需要算法需要尝试还有探索,目标是优化整个探索过程使其得到尽可能高的reward。强化学习的典型例子有:马科尔夫决策过程、动态规划。大名鼎鼎的AlphaGo Zero就是强化学习。
一张经典的机器学习类型图:
深度学习,即Deep Learning,是一种学习算法。近几年深度学习在很多领域对传统机器学习实现了弯道超车,效果碾压,成为了机器学习中的当红炸子鸡。对比传统机器学习,有如下两个特点:
相对传统机器学习,很多场景深度学习反而用起来更加简单,不用那么费心思的抽取特征,数据和算力堆够,好好调调参,可能就会取得很好的效果了。