1_人工智能现状与未来
深度学习算法
机器学习&深度学习
-
从以“推理”为重点到以“知识”为重点,再到以“学习”为重点
-
机器可以自动“学习”的算法,即从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。目前,机器学习=“分类”
-
人工智能 > 机器学习 > 深度学习
机器学习
算法简介
- 深度学习是使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法
- 深度学习是一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如,人脸识别或面部表情识别)。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征
数学基础
回归问题、分类问题、拟合度
感知器
-
是一个由线性阈值元件组成的单层(或多层)神经元的神经网络
-
当输入的加权和大于或等于阈值时,输出为1,否则为0
-
模型假定神经元中间的耦合程度(即加权系数W)可变,这样,该模型可以学习
-
当感知器用于两类模式的分类时,相当于在高维样本空间中,用一个超平面将两类样本分开
-
神经网络的学习过程就是神经网络参数的设定过程
-
一个神经元网络结构确定之后,需要对一系列参数(权重、阈值等)进行有效的设定。这个过
程叫做学习或训练过程,此时的方法叫学习算法
实施过程
特征提取
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-s7aiu9CH-1605575334339)(D:\办公文件\大三上\课程\Python应用开发基础\笔记\1_人工智能现状与未来.assets\1605485617323.png)]
训练方法
-
监督学习
通过已有的训练样本(即已知数据以及其对应的输出)训练得到一个最优模型(这个模型属于某个函数的集合,最优则表示在某个评价准则下是最佳的),再利用这个模型将所有的输入映射为相应的输出,对输出进行简单的判断从而实现分类的目的,从而也就具有了对未知数据进行分类的能力
-
强化学习
类似人类与环境交互的方式,智能系统从环境到行为映射的学习,以使奖励信号函数值最大。环境对产生动作的好坏通过奖励信号作评价,而不是告诉强化学习系统如何去产生正确的动作。强化学习不能立即得到标记,而只能得到一个反馈,因此可以说强化学习是一种具有“延迟标记信息”的监督学习
**典型案例:**AlphaGo
-
迁移学习
将从拥有大数据的源领域上学习到的东西应用到仅有小数据的目标领域上去,实现个性化迁移,即举一反三、触类旁通。
**典型案例:**斯坦福学者使用卫星图像获取的灯光信息来分析非洲大陆的贫穷情况