【机器学习】人工智能概述

这篇具有很好参考价值的文章主要介绍了【机器学习】人工智能概述。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

【机器学习】人工智能概述,机器学习,python,人工智能,机器学习

🤵‍♂️ 个人主页:@艾派森的个人主页

✍🏻作者简介:Python学习者
🐋 希望大家多多支持,我们一起进步!😄
如果文章对你有帮助的话,
欢迎评论 💬点赞👍🏻 收藏 📂加关注+


目录

1.人工智能概述

1.1 机器学习、人工智能与深度学习

1.2 机器学习、深度学习能做些什么

2.什么是机器学习

2.1 定义

2.2 解释

2.3 数据集构成 

3.机器学习算法分类

4.机器学习开发流程 

5.学习框架

6.文末福利


 文章来源地址https://www.toymoban.com/news/detail-701151.html

1.人工智能概述

1.1 机器学习、人工智能与深度学习

【机器学习】人工智能概述,机器学习,python,人工智能,机器学习

机器学习和人工智能,深度学习的关系

 

  1. 人工智能(AI):人工智能是一门研究如何使计算机能够模拟、理解和执行人类智能任务的学科。它的目标是让计算机具备类似于人类的智能水平,可以进行推理、学习、感知和决策。

  2. 机器学习:机器学习是人工智能的一个重要分支,它是让计算机通过从数据中学习和提取模式,自动改进执行特定任务的能力。在传统编程中,程序员需要明确指定计算机应该如何执行任务,而在机器学习中,计算机通过学习数据的规律和特征自主地进行任务执行,这种方式使得计算机在面对新的情况时也能做出合理的决策。

  3. 深度学习:深度学习是机器学习的一种方法,它是通过构建和训练深层神经网络来实现学习和特征提取的过程。这些深层神经网络由多个神经元层组成,允许计算机通过层次化的方式提取和学习数据中的复杂特征。深度学习在图像识别、自然语言处理、语音识别等领域取得了显著的成就,并且在人工智能的快速发展中起到了重要的推动作用。

  • 机器学习是人工智能的一个实现途径

  • 深度学习是机器学习的一个方法发展而来

  • 深度学习是机器学习的一种技术手段,而机器学习是人工智能的一个重要组成部分。在实际应用中,深度学习带来了许多强大的AI模型和系统,使得计算机能够在复杂和大规模的数据中进行高效的学习和推理,从而实现了许多前所未有的人工智能应用。

达特茅斯会议-人工智能的起点

        1956年8月,在美国汉诺斯小镇宁静的达特茅斯学院中,约翰·麦卡锡(John McCarthy),马文·闵斯基(Marvin Minsky,人工智能与认知学专家),克劳德·香农(Claude Shannon,信息论的创始人),艾伦·纽厄尔(Allen Newell,计算机科学家),赫伯特·西蒙(Herbert Simon,诺贝尔经济学奖得主)等科学家正聚在一起,讨论着一个完全不食人间烟火的主题:用机器来模仿人类学习以及其他方面的智能。会议足足开了两个月的时间,虽然大家没有达成普遍的共识,但是却为会议讨论的内容起了一个名字:人工智能。因此,1956年也就成为了人工智能元年。

1.2 机器学习、深度学习能做些什么

        机器学习的应用场景非常多,可以说渗透到了各个行业领域当中。医疗、航空、教育、物流、电商等等领域的各种场景。

【机器学习】人工智能概述,机器学习,python,人工智能,机器学习

  • 用在挖掘、预测领域:

    • 应用场景:店铺销量预测、量化投资、广告推荐、企业客户分类、SQL语句安全检测分类…

【机器学习】人工智能概述,机器学习,python,人工智能,机器学习

  • 用在图像领域:

    • 应用场景:街道交通标志检测、人脸识别等等

【机器学习】人工智能概述,机器学习,python,人工智能,机器学习

  • 用在自然语言处理领域:
    • 应用场景:文本分类、情感分析、自动聊天、文本检测等等

【机器学习】人工智能概述,机器学习,python,人工智能,机器学习

2.什么是机器学习

2.1 定义

        机器学习(Machine Learning)是一种人工智能(AI)的分支,它是通过计算机系统从数据中学习和改进执行特定任务的能力,而无需明确编程指令。换句话说,机器学习使得计算机可以通过数据的模式和规律,自动提取特征和知识,并在未来面对新的数据时做出合理的决策。

        传统的程序设计中,程序员需要编写明确的规则和算法,以指导计算机完成特定任务。但在机器学习中,我们提供给计算机的是一组训练数据,包含输入和对应的输出结果。计算机通过对这些数据进行学习,找到数据中的模式和规律,从而能够在未来的数据中进行预测或分类。

机器学习任务可以分为以下几类:

  1. 监督学习(Supervised Learning):在监督学习中,我们向计算机提供带有标签的训练数据,也就是输入数据和对应的正确输出。计算机通过学习这些数据来建立输入和输出之间的映射关系,从而能够预测未标记数据的输出。

  2. 无监督学习(Unsupervised Learning):在无监督学习中,我们向计算机提供没有标签的训练数据,计算机需要自主地发现数据中的结构和模式。无监督学习常用于聚类、降维和异常检测等任务。

  3. 强化学习(Reinforcement Learning):强化学习是一种通过尝试和错误来学习最佳决策策略的学习方法。在强化学习中,计算机代理根据环境的反馈(奖励或惩罚)不断调整策略,以最大化累积的奖励。

2.2 解释

【机器学习】人工智能概述,机器学习,python,人工智能,机器学习

  • 我们人从大量的日常经验中归纳规律,当面临新的问题的时候,就可以利用以往总结的规律去分析现实状况,采取最佳策略。
  • 从数据(大量的猫和狗的图片)中自动分析获得模型(辨别猫和狗的规律),从而使机器拥有识别猫和狗的能力。基于tensorflow深度学习的猫狗分类识别
  • 从数据(房屋的各种信息)中自动分析获得模型(判断房屋价格的规律),从而使机器拥有预测房屋价格的能力。基于随机森林模型对北京房价进行预测

从历史数据当中获得规律?这些历史数据是怎么的格式? 

2.3 数据集构成 

  • 结构:特征值+目标值

【机器学习】人工智能概述,机器学习,python,人工智能,机器学习

注:

  • 对于每一行数据我们可以称之为样本
  • 有些数据集可以没有目标值:

【机器学习】人工智能概述,机器学习,python,人工智能,机器学习

3.机器学习算法分类

  • 特征值:猫/狗的图片;目标值:猫/狗-类别
    • 分类问题
  • 特征值:房屋的各个属性信息;目标值:房屋价格-连续型数据
    • 回归问题
  • 特征值:人物的各个属性信息;目标值:无
    • 无监督学习

【机器学习】人工智能概述,机器学习,python,人工智能,机器学习

  • 监督学习(supervised learning)(预测)
    • 定义:输入数据是由输入特征值和目标值所组成。函数的输出可以是一个连续的值(称为回归),或是输出是有限个离散值(称作分类)。
    • 分类 k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络
    • 回归 线性回归、岭回归
  • 无监督学习(unsupervised learning)
    • 定义:输入数据是由输入特征值所组成。
    • 聚类 k-means

4.机器学习开发流程 

【机器学习】人工智能概述,机器学习,python,人工智能,机器学习

流程图:

【机器学习】人工智能概述,机器学习,python,人工智能,机器学习

5.学习框架

需明确几点问题:

(1)算法是核心,数据计算是基础

(2)找准定位

大部分复杂模型的算法设计都是算法工程师在做,而我们

  • 分析很多的数据
  • 分析具体的业务
  • 应用常见的算法
  • 特征工程、调参数、优化
  • 我们应该怎么做?

  • 学会分析问题,使用机器学习算法的目的,想要算法完成何种任务

  • 掌握算法基本思想,学会对问题用相应的算法解决
  • 学会利用库或者框架解决问题

当前重要的是掌握一些机器学习算法等技巧,从某个业务领域切入解决问题。

机器学习库与框架:

【机器学习】人工智能概述,机器学习,python,人工智能,机器学习

6.文末福利

《PySpark机器学习、自然语言处理与推荐系统》免费包邮送出3本!

【机器学习】人工智能概述,机器学习,python,人工智能,机器学习

内容简介:

       使用PySpark构建机器学习模型、自然语言处理应用程序以及推荐系统,从而应对各种业务挑战。该书首先介绍Spark的基础知识及其演进,然后讲解使用PySpark构建传统机器学习算法以及自然语言处理和推荐系统的全部知识点。
  《PySpark机器学习、自然语言处理与推荐系统》阐释如何构建有监督机器学习模型,比如线性回归、逻辑回归、决策树和随机森林,还介绍了无监督机器学习模型,比如K均值和层次聚类。该书重点介绍特征工程,以便使用PySpark创建有用的特征,从而训练机器学习模型。自然语言处理的相关章节将介绍文本处理、文本挖掘以及用于分类的嵌入。
  在阅读完该书后,读者将了解如何使用PySpark的机器学习库构建和训练各种机器学习模型。此外,还将熟练掌握相关的PySpark组件,比如数据获取、数据处理和数据分析,通过使用它们开发数据驱动的智能应用。

编辑推荐:

适读人群 :数据科学家、机器学习工程师

        使用PySpark构建机器学习模型、自然语言处理应用程序以及推荐系统,从而应对各种业务挑战。本书首先介绍Spark的基础知识,然后讲解使用PySpark构建传统机器学习算法以及自然语言处理和推荐系统的全部知识点。

        本书阐释了如何构建有监督机器学习模型,比如线性回归、逻辑回归、决策树和随机森林,还介绍了无监督机器学习模型,比如K均值和层次聚类。本书重点介绍特征工程,以便使用PySpark创建有用的特征,从而训练机器学习模型。自然语言处理的相关章节将介绍文本处理、文本挖掘以及用于分类的嵌入。

        在阅读完本书之后,读者将了解如何使用PySpark的机器学习库构建和训练各种机器学习模型。此外,还将熟练掌握相关的PySpark组件,从而进行数据获取、数据处理和数据分析,开发数据驱动的智能应用。

  • 抽奖方式:评论区随机抽取3位小伙伴免费送出!
  • 参与方式:关注博主、点赞、收藏、评论区评论“人生苦短,拒绝内卷!”(切记要点赞+收藏,否则抽奖无效,每个人最多评论三次!
  • 活动截止时间:2023-09-08 20:00:00
  • 购买链接:https://item.jd.com/12611069.html

 名单公布时间:2023-09-08 21:00:00   

【机器学习】人工智能概述,机器学习,python,人工智能,机器学习

清华大学出版社9月“秋日阅读企划”活动开始啦,五折叠加无门槛优惠卷,点击即刻拥有!
领卷地址:
APP:https://pro.m.jd.com/mall/active/2Z3HoZGKy5i9aEpmoTUZnmcoAhHg/index.html
PC:https://pro.jd.com/mall/active/2Z3HoZGKy5i9aEpmoTUZnmcoAhHg/index.html

 

 

到了这里,关于【机器学习】人工智能概述的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包