第四次工业革命:人工智能(AI)入门

第四次工业革命:人工智能(AI)入门

我们是否能把 复杂预测的难度 — — 数据优化和功能规范 — — 即,从程序员转移到程序吗?这是现代人工智能技术所承诺的。

机器学习︰ 减负功能优化

机器学习 (ML) 是 AI 的一个子集。所有的机器学习都是人工智能,但并不是所有 AI 都是机器学习 (图 1)。如今对 ‘AI’ 的兴趣反映为 机器学习的快速和显著的进步。

机器学习可以让我们解决问题,通过将对人类而言过于复杂的一些负担转移到算法上。正如 AI 先锋阿瑟 · 塞缪尔写于 1959 年,机器学习是 ‘研究 赋予计算机在隐式编程条件下 学习的能力(field of study that gives computers the ability to learn without being explicitly programmed.)’。

大多数机器学习的目标是开发一个预测引擎的特定用例。算法将接收有关域 (比如,一个人已经看过的电影) 的信息,并权衡,然后预测 (这人将来喜欢别的电影的概率)。通过给 ‘ 计算机学习能力 ‘ 的算法,即经过优化的任务 — — 衡器变量中可用的数据,作出对未来的准确预测。有时我们可以更进一步,根据首要任务的特定功能,给程序减负。

机器学习算法通过训练学习。一种算法最初接收其产出已知的例子,注意其预测和正确的输出之间的区别,调整输入,以提高其预测的准确性,直到它们的权重被优化好。因此,机器学习算法的定义特征是通过经验所提高的预测质量。我们提供 (通常提升一个点) 越多的数据,便可越好地创建预测引擎 (图 2 和 3。注意所需的数据集的大小是高度依赖于上下文 — — 当然,我们不能用这个例子一概而论。)

有超过 15 机器的学习,每个使用不同的算法结构优化基于收到的数据的预测方法。一种方法 — — 深度学习 — — 在新的领域提供突破性的成果,我们在下面探讨。但还有很多其他的没得到足够的重视,他们由于其适用性广泛的使用情况也是很有价值的。除去深度学习之外最有效的机器学习算法包括︰

  • 随机森林,创造了许许多多的决策树优化预测;
  • 贝叶斯网络 使用概率的方法来分析变量和它们之间的关系
  • 支持向量机 输入分类示例,创建模型来分配新投入的一个类别

每种方法各有其优点和缺点,组合起来可能更常用(合奏)。选定要解决特定问题的算法将取决因素包括可用的数据集的性质。在实践中,开发人员倾向于实验来看看那个更好。

这篇文章对你有用吗?

点右边奖杯,点个赞⤵

平均分: 5 / 5. 评价数: 1

抢先点评此文章。

太好了,这篇文章对你有用...

请在社交媒体上转发!

很抱歉,这篇文章对你没用...

让我们改进这篇文章!

请告诉我们如何改进这篇文章?

Author: 太极客