"""
<axiner>聲明:
(錯了另刂扌丁我)
(如若有誤,請記得指出喲,謝謝了!!!)
"""
(記錄及總結 >>>網絡相關視頻及資料.....)
先來了解人工智能的定義:
構建智能機器,特別是智能計算機程序的科學和工程;人工智能是一種讓計算機程序能夠“智能地”思考的方式;思考的模式類似於人類...
智能:自主能力,自我意識 ...
人工智能三個時代:運算智能、感知智能、認知智能
感知:圖像識別、語音識別、觸覺識別
人工智能的需求:
1、提高品質
2、增加效率
3、解決難題
.....
需要的數學知識:
1、微積分
2、線性代數
3、統計學
.....
人工智能的知識關聯:
數據挖掘、知識發現、統計學、數據庫、
模式識別、機器學習、深度學習、神經網絡...
AI、ML、DL之間的關係:
機器學習是實現人工智能的一種方法,深度學習是機器學習的一個分支。(相當於包含關係: 深度學習<機器學習<人工智能)
=========
機器學習(Machine Learning)
`機器學習`中的`學習`指通過某個過程來達到質的改善
機器學習的必要:
-很多無法用人工編程來實現
-人會犯錯,機器不容易犯錯
-機器的計算能力越來越強
權威定義:
-對某類任務T(Task)和性能度量P(Performance)
-通過經驗E(Experience)改進後
-在任務T上由性能度量P衡量的性能有所提升
簡單定義:
用數據來解決問題
數據--訓練
解答問題--推測
機器學習大致等同於找一個好的函數/模型(Y = f(x))
機器學習的分類:
-監督學習 --有標籤
-非監督學習 --無標籤
-半監督學習 --有少部分標籤,最類似人的生活
-強化學習 --基於環境而行動,以取得最大化預期利益
機器學習的六步:
收集數據 >準備數據 >選擇/建立模型 >訓練模型 >測試模型 >調節參數
關鍵三步:
找一系列函數來實現預期的功能:建模問題
找一組合理的評價標準,來評估函數的 好壞:評價問題
快速找到性能最佳的函數:優化問題(比如梯度下降就是這個目的)
=========
什麼是深度學習?
基於深度神經網絡的學習研究。
其中`深度`指輸入到輸出之間的過程,若此過程中隱藏層大於2則可稱之爲深度。
`深度`的關鍵在於:
1、數據量
2、計算力
深度學習的三個階段:
輸入層。不同的參數設置
隱藏層。調整 參數權重
輸出層。輸出結果與預期比較