1.1 机器学习概念

1.例子 

生活里的机器学习例子已经很多了,但是大家似乎对他们的原理比较陌生。如京东的猜你喜欢,自动驾驶,翻译,百度识图,AlphaGo等等。3接下来我们会探索一下机器学习是如何做到这些这么神奇的应用的….

 

2.算法?

通常我们说计算机算法,很多时候都是说的确定性算法,例如排序算法,加密算法,搜索算法等等…

但是当我们说起机器学习算法,大家可能就没有什么概念了…其实:

机器学习就是从数据中学习

你可以认为这种是利用数据编程的算法

明白了这一点,就知道其实机器学习算法与传统确定性算法的区别了。

这里推荐一本确定性算法的科普书《算法图解》:

4

3.机器学习分类

一开始就介绍机器学习分类似乎有点不太妥当,但一点适当的记忆有助于更好的把握文章整体结构。

机器学习主要分三类:

监督学习(supervised learning )

无监督学习(unsupervised learning)

强化学习(reinforcement learning)

接下来我们一个一个简单介绍一下…

 

4.监督学习:训练数据中存在所需的预测目标

 

假设我想通过各种特征数据预测客户的性别(为什么不让客户直接填呢?这是个问题)..我们的训练数据必须含有真实的性别标签,让机器学习算法进行学习。

新来的客人丽丽是男还是女呢?我们就可以通过监督学习算好的模型进行预测了。

5

再举几个监督学习的例子:手写数字识别,猫狗分类,在训练的时候都需要数据集有对应的标签说明这张图片的真实分类。

6

上面举的例子都是分类任务,还有一类监督学习目标是连续的,叫做回归类问题:

7

 

有些同学对“监督“这俩字不太理解..我尝试给一个解释:

8

5.监督机器学习的应用与训练过程

最后我们来总结一下有监督机器学习的应用训练过程:

应用:收集数据–》训练模型–》应用模型进行预测

9

训练:收集数据–》调整参数–》评判模型好坏

10

监督学习大概就介绍到这…下面我们简单介绍一下无监督学习跟强化学习…

6.无监督学习与强化学习

  无监督学习:训练数据中没有预测目标希望学习数据内在的结构特征

kmeans聚类:K-means_convergence

  强化学习:通过对未知环境一边探索一边建立环境模型以及学得一个最优策略

0

强化学习的环境驱动我理解类似就这个意思:每次相当于一个小的监督学习?

11

7.总结:

12

 

8.“人工” 智能:有多少人工就有多少智能

来源:https://mp.weixin.qq.com/s/tK2nHRsxi1-IOBpQ1PjGaw

13

智能时代滚滚巨轮之下,一批批用于“人脸识别”、“自动驾驶”、“自然语言处理”的标注好的数据,正是出自这些学历不高,每天对着电脑工作8到10小时的人手中——他们是“人工智能背后的人工”

他们中有职高学生,有尝试过40份工作的聋哑人,有从工地辗转而来的新生代农民工……他们源源不断地为人工智能的发展供应最重要的“数据燃料”——在现有的技术框架下,数据量越大,质量越好,算法模型就表现越好。可以说,数据决定着整个人工智能行业的发展态势。

但标注工作本身是一个劳动密集型工种,收入并不高。随着技术的进一步发展,未来还有被取代的可能。许多数据标注者的父辈是参与了中国房地产奇迹的农民工。如今,父辈手里的铁铲变成了年轻人的鼠标、键盘,但和父辈一样,他们仍是边缘者。在这个除夕,他们也像父辈一样踏上了归乡的旅途,不仅是从城市回到乡村,也是从科技前线回到古老的火炉前。

这里还有一个视频:《数据标注师:人工智能背后的人》

 

 

 

不知道看懂没有….

有问题(我写的有问题或者你有疑问)请留言哦~

发表评论

电子邮件地址不会被公开。