Недавно я начал изучать машинное обучение. Когда я читал книгу, некоторые концепции были скучными, поэтому я воспользовался возможностью, чтобы сделать заметки, чтобы просто понять некоторые концепции. Если есть какие-либо ошибки, я надеюсь указать. ?
Что такое искусственный интеллект?
Я видел много блогов, объясняющих, что такое искусственный интеллект, но я думаю, что лучше объяснить это одним предложением и одной картинкой.Позвольте машинам решать задачи, которые под силу только людям, эта операция искусственного интеллекта.
На следующем рисунке показана схема поля искусственного интеллекта, позволяющего машинам имитировать различные способности человека: (я нашел картинку, когда просматривал Zhihu, а адрес размещен в конце статьи)
Что такое машинное обучение?
Прежде чем объяснять, что такое машинное обучение, давайте ответим на вопрос, который мучает каждого программиста:
найти партнера
Как программисту найти партнёра естественно очень актуальная проблема, поэтому должно быть требование найти партнёра?
Какие? Реальный? активный? Как у меня с моими тонкими костями могут быть только эти два требования?Очевидно,хочется найти хорошую подругу(ведь ее надо выносить для поддержки сцены),так как же мне ее найти?
Сердце красоты в каждом. Красивые девушки определенно лучше некрасивых, поэтому на данный момент у меня есть простое правило: выбирать в подруги только красивых девушек. И так, чего же ты ждешь? Зайдите в круг друзей, чтобы узнать, какие красивые девушки все еще одиноки. Это так легко?
когда! Конечно! Нет! Да!
Жизнь всегда полна трудностей
Мама Чжан Уцзи сказала:
Когда вы найдете онлайн-знакомства, вы обнаружите, что все в кругу друзей изменяют, и вы будете ошеломлены. . . Очевидно, что метод поиска девушки только по фотографиям девушек очень односторонний, есть много факторов в поиске хорошей девушки, не только по внешности девушки.
После долгих размышлений (и посоветовавшись с подругами многих друзей) вы пришли к выводу: девушки с хорошей фигурой и красивой внешностью больше привлекают вас. В то же время только около половины ваших друзей среднего роста, но приятной внешности могут вас заинтересовать.
В это время, когда вы подойдете к девушке с сделанным вами выводом, вы поймете, что девушка давно не в списках, и она относится к вам просто как к другу. . . Но милая девушка подталкивает к вам свою лучшую подругу, чтобы вас утешить. Затем вы обнаружите, что ваш предыдущий вывод не применим, поэтому вы можете снова начать встречаться с девушками только в кругу друзей.
Предположим, что спустя долгое время вы успешно подвели итоги своего опыта поиска девушки, нашли прекрасную девушку, которая вас устраивает, и вы очень счастливы быть с ней. Уродливая невестка тоже хочет увидеть своих родителей. Наконец-то пришло время привести свою девушку домой, чтобы познакомиться с родителями. Твои родители сказали, эта девушка слишком красивая, ты не можешь ее контролировать, а вы решительно против.
Под противодействием родителей ты можешь только беспомощно попрощаться с девушкой?. В конце концов, вы выясняете отношения с родителями, а затем рассказываете своей семье о правилах выбора партнера, и под их контролем вы, наконец, находите девушку, которая соответствует **"всем"** ожидаемым стандартным признакам.
Ты чувствуешь боль?
Оглядываясь назад на вышеприведенный сценарий, вы чувствуете себя очень сырым, хотя конечным результатом является то, что вы нашли удовлетворительную девушку, но в процессе поиска партнера вам необходимо постоянно менять критерии (атрибуты), и всякий раз, когда вам нужно использовать Когда новый стандарт (атрибут) используется для измерения девушки, вы можете только вручную изменить свои собственные правила. И вам нужно понимать все сложные факторы, влияющие на качество вашей девушки (такие как внешность, фигура, близость, миловидность и т.д.). Если эти факторы достаточно сложны, может быть трудно вручную классифицировать все типы девушек и установить точные правила.
Более того, постоянно влюбляться в разных девушек, методом проб и ошибок – это не только пустая трата времени, но и плохая репутация. Может быть, его заклеймят как подонка.
Сравнивать?
На самом деле это очень нетипичный пример машинного обучения, проведем аналогию:
Машинное обучение (МО)
Вы можете случайным образом выбрать несколько девушек из круга друзей (при условии, что ваш противоположный пол достаточно хорош) в качестве образца (training data), а затем перечислить атрибуты всех девушек, такие как рост, внешность, фигура, образование, работа и т. д. (features), и заботливы ли вы, прилипчивы, сыновни и т. д. (output variables). Запустите эти абстрагированные данные в алгоритме машинного обучения (classification/regression), алгоритм ML строит модель: атрибуты девушек — качество девушек.
Затем подождите, пока в следующий раз вы снова не встретите девушку, вы можете просканировать атрибуты девушки (рост, внешность и т. д.) глазами (test data), а затем передать его алгоритму ML, который будет использовать ранее сгенерированную модель (model) предскажите, насколько вероятно, что эта девушка окажется с вами.
На самом деле, в процессе построения моделей в машинном обучении внутренне используемые правила могут быть аналогичны приведенным выше примерам, но могут быть и более сложные правила, но вам не нужно о них заботиться.
Теперь у вас будет большая уверенность в том, что вы снова найдете кого-то, и, что более важно, ваш алгоритм машинного обучения со временем улучшится (reinforcement learning), когда прогноз неверен (разрыв, если отношения не могут продолжаться), исправить себя, и прогноз будет становиться все более и более точным по мере чтения большего количества обучающих данных. Но самое досадное, что для обучения разных моделей можно использовать один и тот же алгоритм, для поиска девушки можно использовать эту модель, а как быть с секретаршей? (Как будто вы нашли что-то невероятное ?, вы можете тренировать любую модель, которую хотите, пока вы счастливы)
Итак, самое простое понимание машинного обучения:
Используйте алгоритм для анализа, извлечения уроков, а затем принятия решений/прогнозов о реальных данных/событиях.
Так что же такое глубокое обучение?
глубокое обучение,ДаТехнологии, обеспечивающие машинное обучение. Извлечение признаков не просто для машинного обучения. Разработка функций часто требует много времени для оптимизации, и в это время глубокое обучение может автоматически изучать связь между функциями и задачами, а также может извлекать сложные функции из простых функций.
Глубокое обучение — это один из многих подходов к машинному обучению, другие включают в себя изучение дерева решений, индуктивное логическое программирование, кластеризацию, обучение с подкреплением и байесовские сети, и это лишь некоторые из них.
Так как же глубокое обучение находит эти сложные функции?
он прошелСоздание и моделирование нейронной сети человеческого мозга для анализа и обучения, который имитирует механизм человеческого мозга для интерпретации таких данных, как изображения, звуки и текст. Он был вдохновлен структурой и функцией мозга, взаимосвязью многих нейронов.
Следующая картинка — очень интересный ответ, который я увидел на Zhihu:
Рекомендую всем прочитать этот ответ:?
В чем разница между искусственным интеллектом, машинным обучением и глубоким обучением?
Итак, каковы отношения между тремя из них?
Искусственный интеллект — это мудрость, которая дает людям машины,имашинное обучениеявляется одним из средств реализации искусственного интеллекта, иГлубокое обучение — это ветвь машинного обучения., поэтому отношение между тремя показано на рисунке выше.
Научу вас трюку, чтобы быстро отличить AI от ML
Наконец, я научу вас, как быстро отличить AI от ML: