人工智能基础入门（概论篇）

机器学习是人工智能的核心，机器学习研究各种各样的算法

① 机器学习不同的学习方式：

• 有监督学习 supervised learning （数据中有x，有y–有标签）
• 无监督学习 unsupervised learning（数据中有x，没有y）
• 半监督学习 （数据中有x，有一部分y）
• 强化学习 reinforcement learning （agent和env互动，产生数据，传入模型训练）

（1）有监督学习：数据带标签：Labelled Data（x，y）；且效果容易评估（预测值和真实值进行比较） （2）无监督学习：数据没有标签（只有x），基于特征的相似度来聚类；难以评估 （3）强化学习：环境（environment）+智能体（agent）；简单说，强化学习就是 让智能体通过跟环境进行互动，不断地进行学习、调整策略的过程。

② 深度学习比传统机器学习有优势

人们发现，在使用==神经网络（NN）==的时候，往往Accuracy会很高 – 比如：可以定义很多层神经网络，每一层可以有不同的神经元，层与层之间有不同的连接方式。 人们把机器学习里基于神经网络的方式归纳为深度学习。随着神经网络层次的加深，模型的效果往往会更好。

• deep learning：基于机器学习和神经网络做的
• deep reinforcement learning：通过强化学习的方式（智能体和环境进行互动）来训练模型。在互动的过程中会产生数据，把这个数据带入到算法（神经网络）中去训练模型，训练参数，之后把算法的答案赋予智能体。如此，Agent智能体通过互动的方式就能从环境中得到数据，把这个数据带入到算法（神经网络）中去训练模型，训练神经网络中的参数，等模型更新后，智能体变得更智能，就能更好地和环境进行交互，产生新的数据，来不断地更新，不断地调整神经网络，使智能体变得越来越聪明。

（1）机器学习和机器学习的区别：

1. 机器学习：Machine learning input（输入数据） --> 特征抽取（Feature extraction）处理（人为参与预处理）–> 预处理后的数据交给算法模型 classification --> 预测输出 output
2. 深度学习：Deep learning input（输入数据）–> Feature extraction + Classification —> 预测输出output 中间只有一个大的神经网络模型。 ① 可以更好的做到端到端（end to end）：只需要把输入传入这个神经网络模型，这个模型就能直接给出输出。 ② 可训练的参数更多：神经网络之间的连接线上都有参数，而深度学习的网络层次更深，层数更多，就有更多的参数来进行学习、训练。-- 通过设计更好的神经网络，让它自动的学到如何更好的对数据进行特征的提取（预处理），为了最终的分类识别预测可以识别的更准确。—— 更加智能，减少了人为参与。

③ 人工智能任务的本质：

• Machine Learning
  • Supervised Learning
    • 分类任务（Classification）
    • 回归（Regression）
  • Unsupervised Learning
    • 聚类（clustering）
    • 降维（Dimension Reduction）/ Dimensionality Reduction

（1）有监督机器学习任务与本质 （有 x，y）

1. 回归：（Regression）

   • 本质：==拟合==历史已有的数据，根据拟合出来的函数走势预测未来
   • 目标：预测 -inf（负无穷）到+inf之间具体的值，连续值 （指的是y）
   • 应用：股票预测、房价预测

2. 分类：（Classification）

   • 本质：找到==分界==，根据分界对新来的数据进行分类（可以是分界线、分界面、超平面……）

   • 目标：对新的数据预测出属于各个类别的概率，正确的类别 概率越大越好。最后通过选择概率最大的类别为最终类别，类别号y是离散值。

   • 应用：图像识别、情感分析、银行风控

   • 可以使用 线性/非线性 的模型：

   • eg. 目标检测任务的需求是打框和识别：打框至少需要4个值才能定位一个框，比如框中心点的位置x，y，框的高度h、宽度w；或者知道框的左上角的x1，y1 和 右下角的坐标 x2，y2，即可准确在图片中定位出框。 这些值都是连续的，所以打框任务可以转换为回归任务来做。 如果要完成目标检测，还需要在有框的基础上进行识别出框里到底属于哪个类别。-- 分类任务 给出对应的类别号 和 概率。

（2）无监督机器学习任务与本质

1. 聚类（clustering）：

   • 本质：根据样本和样本之间的相似度归堆分组

   • 目标：将一批数据划分到多个组

   • 应用：用户分组、异常检测、前景背景分离

   • 如上图，把数据 通过 算法（K-means clustering）把这些点划分成一堆一堆的。根据样本之间的相似度划分，比如说根据距离、像素值来划分。