一、機器學習介紹
1. 機器學習的由來
- 人工智能—— 目標
最初在1950年代出現了 “Artificial Intelligence” 這個詞，人們希望機器可以跟人一樣聰明，然而在很長一段時間人們并不知道怎么做， - 機器學習—— 手段
到1980年代后，有了機器學習的方法，顧名思義，其意義為“讓機器具有學習的能力”，即通過機器學習的手段，讓它可以和人一樣聰明， - 深度學習
深度學習是機器學習的其中一個方法，
生物的行為取決于兩件事：先天本能 + 后天學習的結果，在有機器學習之前，人們通過設定好機器的本能來達到預期目的，
生物的本能：
- 河貍筑水壩的能力是天生的：while(聽到流水聲) {筑水壩;}
提前手動設定好的天生本能：
- 聊天機器人：提前設定功能，當看到 “turn off” 就關掉音樂，但是缺點是很僵化，無法考慮到所有規則，
例如：“Please don’t turn off the music.”，本來表達“不要關掉”，機器卻識別成“關掉”——在不同的語境中含有同樣的詞匯，表達了不同的意義，但做出了相同的指令！
2. 什么是機器學習？
考慮一個機器人，現在我們讓它自己具有學習的能力，
語音
像教育小孩一樣，我們給它一段內容為 “Hi” 的音頻A，告訴它這個聲音就是“Hi”，類似地，告訴它音頻B（“How are you”）這段聲音就是 “How are you”，音頻C（“Good bye”）這段聲音就是 “Good bye”，然后它就學會了，希望它得到給出的聲音然后產生對應的結果，
影像
給一些動物的圖片，再給出相應的動物名稱，讓機器人進行學習，經過大量重復的訓練后，我們給出一個動物圖片，機器人就會判斷出是什么動物，
通過以上的比喻，抽象出來得到：機器學習就是在尋找一個function，即，要讓機器具有一個能力： 根據你提供給它的資料，它來尋找出我們要尋找的映射關系——function，
- 在語音識別中，
f(語音) = 對應的文字 - 在影像識別中，
f(影像) = 影像中的事物 - 聊天機器人，
f(使用者的語音) = 機器的回應
3. 如何找出這個映射function？
-
Model【學生】：先準備一個function的集合，即模型，如圖所示：
里面有成千上萬個function，分別有不同的輸入和輸出， -
Training Data【教科書】：用于訓練的資料集，包含標注好的輸入 + 輸出
利用訓練資料集，才能判斷出model中的function的好壞，如同老師給學生的作業打分，正確加分，錯誤扣分，（這種給出標注的方法叫做 監督學習） -
從有效率的function中，找出最好的function，記作
f* -
使用
f*，輸入一張未在訓練集中的貓的圖片，測驗它的輸出是否為“貓”
機器學習中一個非常重要的問題：機器是否有舉一反三的能力！
綜上所述，機器學習的步驟概括為如下：
即：模型，策略，演算法，
二、機器學習的相關技術
- 監督學習：所用訓練資料都是被標記過的
- 回歸：可用于做天氣PM2.5的預測
- 分類：垃圾郵件篩選（二分類問題）、檔案歸類
- 半監督學習：
- 減少訓練資料集標記作業量
- 訓練資料中部分標記的，部分無標記
- 無監督學習：
- 訓練集中的所有資料都沒有標記
- 根據類別未知的訓練樣本來解決問題
- 強化學習：
- 強化學習是智能體（Agent）以“試錯”的方式進行學習，通過與環境進行互動獲得的獎賞指導行為，目標是使智能體獲得最大的獎賞
- 我們沒有告訴機器正確的答案是什么，機器最終得到的只有?個分數，就是它做的好還是不好，但他不知道??到底哪?做的不好，他也沒有正確的答案，
- 遷移學習：
- 把已訓練好的模型（預訓練模型）引數遷移到新的模型來幫助新模型訓練
- 結構化學習：
- 我們要機器輸出的是，?個有結構性的東西
- 在分類的問題中，機器輸出的只是?個選項；在structured類的problem??，機器要輸出的是?個復雜的物件
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/294620.html
標籤：AI