AI算法工程师 | 01人工智能基础-快速入门

文章目录

一、我们身处人工智能的时代

人工智能的时代

《AI算法工程师 | 01人工智能基础-快速入门》
互联网时代的发展

站在互联网的角度理解人工智能:人工智能AI(artificial intelligence)是互联网时代发展的必然趋势。

人们从早期做web开发,到移动端的开发;之后随着数据量的增大,人们开始研究高并发的问题;当数据量不断的增大,而人们希望数据不被浪费时,产生了大数据的技术,包括:大数据的如何存储以及大量数据的如何计算分析;由于计算分析和存储需要资源,互联网便发展到通过云计算进行存储与计算,包括虚拟化的计算,如:docker,k8s;再到后来,人们不是仅仅局限于将数据进行存储和简单分析,更多的是想从数据中挖掘出价值,人们便想到了人工智能,因为人工智能中有很多的算法,可以帮助人们从数据中挖掘出价值。

注意,区分大数据和人工智能的概念:
① 大数据:专注于已有的数据的存储和计算,生成分析报表;
② 人工智能:专注于利用已有数据挖掘规律,对未来进行预测。

人工智能领域的技术

在人工智能领域中,其技术的发展具体有如下内容:
《AI算法工程师 | 01人工智能基础-快速入门》
人工智能从早期的使用机器学习的算法来做数据挖掘,到分布式的进行数据挖掘;再到进一步的把算法研究得更加深入,走向了深度学习的领域,于是人们开始发现深度学习可以使更加复杂的问题(如:计算机视觉、自然语言处理)变得更加的准确,于是有了各种各样的应用;在人工智能发展过程中还存在强化学习,比如:利用强化学习的技术,在前几年有AlphaGo这样下围棋的机器人,近几年有各种各样的智能制造中使用到的机器人。这些都是应用人工智能产生的一些产业。

所以,人工智能是现在互联网中发展的一个大的趋势:如何更好的利用数据去挖掘数据中的价值,把挖掘到的数据的价值(规律)进行更好的应用,并对各行各业加以帮助。

人工智能的应用

《AI算法工程师 | 01人工智能基础-快速入门》
人工智能已经逐步渗透到生产生活中的方方面面,无论是医疗、教育、交通、物流,还是传统生产制造、金融、农业设置是军事、游戏,人工智能的身影无处不在,并发挥着越来越重要的作用。
《AI算法工程师 | 01人工智能基础-快速入门》《AI算法工程师 | 01人工智能基础-快速入门》

二、人工智能的流程和基本概念

人工智能常见流程

《AI算法工程师 | 01人工智能基础-快速入门》
人工智能是拟人

灵魂三连问:

  1. 为什么说 “人工智能是拟人” ?因为人工智能的流程与思考的过程非常相像。
  2. 如何看现在的人工智能做得有多好?其越像人的思考过程,越和人的准确率接近,则该人工智能做得越好。
  3. 怎么理解人工智能是 “拟人” 这两个字?且看下文讲解 ↓↓↓

首先,需要理解的是何为人工智能?通俗来讲,人工智能就是让机器像人一样具备学习的能力。

其次,人工智能 AI 包含三大块内容,分别是:机器学习 ML(Machine Learning)、深度学习 DL(Deep Learning)、强化学习 RL(Reinforcement Learning)。

在早期的人工智能,人们会称为机器学习,是一些经典机器学习算法的统称。关于 “机器学习” ,可以用 “让机器像人一样具备学习的能力” 这句话来解释。但如何让机器像人一样具备学习的能力,做到人工智能呢?这需要先了解人类的思考过程。

  • 人类的思考过程:人的大脑根据生活中的经验,归纳和总结出相对应的规律。这些规律可以使人们未来碰到新的问题时,能够将新的问题代入到脑海中,根据已有的规律来思考——当未来碰到该新问题时,应该给出什么样的预测结果,需进行怎样的决策。
  • 人工智能流程对比人类思考的过程:
    • 对于机器,它的大脑是计算能力(如CPU和内存,这些帮助机器来计算的,实际上就是它的大脑),而历史数据相当于人类的经验;
    • 将数据交给计算机进行训练,训练的过程相当于像人一样归纳和总结相对应的规律;
    • 在人工智能中,这些规律就是模型;
    • 未来出现新的问题,即碰到新的数据,将新的数据代入到模型中去预测未知的属性,得到的结果便是预测值。

从中可以发现:这种对已有的数据进行训练得出某种模型利用此模型预测结果的这一过程,与人类的思考过程非常类似。

人工智能的流程与本质
《AI算法工程师 | 01人工智能基础-快速入门》
人工智能的流程:把数据代入到算法中,生成对应的模型,最终把模型上线,来进行预测。(即:数据预处理 → 算法求解 → 模型评估 → 模型上线)

人工智能的本质:把X、y代入公式中计算出参数(解方程组算出参数),当未来有新的X时,将其代入公式中得到预测的y(ŷ,叫做y hat)。

怎么才能猜的更准?“数据为王” 的思想。若拿到的历史数据,其数据质量越高,数据量越大,得到的参数就越可靠,于是通过该参数算出的值会越准确。

做工人智能的目的是——做预测;目标为——生成模型,而想要生成模型,需要数据和算法。
因此,对于人工智能来说,为了得到更好的模型结果,要不就是改算法(公式),要不就是找到更多等好的数据。

算法工程师
① 核心任务是生成可以预测准确的模型
② 具备相关的代码能力

人工智能基本概念与区别

《AI算法工程师 | 01人工智能基础-快速入门》
深度学习以前是机器学习的分支,因为深度学习是基于神经网络算法衍生出来的,由于近些年发展的很快,所有往往单独拎出来成为一门学科。

强化学习以前也只是机器学习的分支,随着现在深度强化学习(深度学习结合强化学习)的流行,也成为了一门学科,强化学习将来有望成为人工智能未来的明星。

机器学习不同的学习方式

人工智能中的核心是机器学习(Machine Learning,ML)。其原因是:机器学习研究的是各种各样的算法,算法是核心。
《AI算法工程师 | 01人工智能基础-快速入门》
从学习方式上看,机器学习分为:有监督学习、无监督学习、强化学习

  • 有监督学习(Supervised Learning, SL)
    • 指原始数据中既有特征值也有标签值的机器学习
    • 特点:① 目标明确 ② 需要带标签的训练数据 ③ 效果容易评估
  • 无监督学习(Unsupervised Learning, UL)
    • 其中没有需要预测或估计的目标变量(或标签值)
    • 特点:① 目标不明确 ② 不需要带标签的训练数据 ③ 效果很难评估
  • 强化学习(Reinforcement Learning, RL)
    • 含义:让智能体与环境进行互动,不断学习以便调整策略的过程,这使智能体变得越来越聪明。

人工智能按照学习方式可分为:a. 有监督学习(数据集中有x和y)、b. 无监督学习(有x)、c. 半监督学习(有x和一部分y)、d. 强化学习(智能体与环境互动过程中产生数据,再代入算法中生成模型)。

深度学习比传统机器学习有优势
《AI算法工程师 | 01人工智能基础-快速入门》
机器学习:人们更多的是把数据拿过来做特征的抽取(特征处理),这个过程更多的会有人为的参与,如:人为的选择用哪些算法,使用哪些数据做特征抽取。人为更多的参与预处理,将预处理后的数据交给后续的算法去生成算法中的参数。

机器学习和深度学习的区别
① 机器学习属于浅层的算法(算法的公式不是特别复杂,更像分阶段的流程);
② 深度学习属于深层的算法(将提取特征的阶段放到整个神经网络中,更像端到端的流程)。

深度学习相比机器学习的优势
① 是更端到端的学习方式;
② 由于网络层次更深,其可训练的参数更多(可以学习如何更好提取特征);
③ 可以解决更复杂的问题。

理解 —— 有多少人工就有多少智能(人工智能的本质)

  • 机器学习:在特征工程中做的多好,最后的算法就能预测的有多准;
  • 深度学习:设计的网络有多好,模型预测的就有多准确。

三、人工智能的常见任务和本质

《AI算法工程师 | 01人工智能基础-快速入门》

有监督机器学习任务与本质

做人工智能时,首先要明确需求是什么?预测的东西是什么?即:先明确有哪些任务,再选择相对应的算法。

回归、分类、聚类、降维都是机器学习中具体的任务。其中,① 回归和分类属于有监督机器学习;② 聚类和降维属于无监督机器学习。

回归 Regression

  • 本质:拟合历史已有的数据,根据拟合出来的函数走势预测未来
  • 目标:预测-inf 到+inf 之间具体的值,连续值
  • 应用:股票预测(如:股票值的预测)、房价预测

分类 Classification

  • 本质:找到分界,根据分界对新来的数据进行分类
  • 目标:对新的数据预测出是各个类别的概率,正确的类别概率越大越好,最后通过选择概率最大的类别为最终类别,类别号 label 是离散值
  • 应用:图像识别(如:识别该人是否戴安全帽)、情感分析(如:分析是正面情感还是负面情感)、银行风控(如:预测该人可承受怎样的风险,推荐不同的理财产品)

总结
① 回归是做拟合,分类是找分界对应的超平面(通常超平面指:点、线、面)。
② 回归(连续型)和分类(离散型):有监督机器学习。具体看预测的值是离散型的还是连续型的,对应不同的分类。
③ 注意:股票预测中,若要预测未来某股票是会涨还是跌—— 分类任务,则需找分类所对应的算法去求相对应的分界线/面。

无监督机器学习任务与本质

无监督机器学习问题主要有两种:聚类、降维

聚类 Clustering

  • 本质:根据样本和样本之间的相似度归堆
  • 目标:将一批数据划分到多个组
  • 应用:用户分组、异常检测、前景背景分离

降维 Dimensionality Reduction

  • 本质:去掉冗余信息量或噪声
  • 目标:将数据的维度减少
  • 应用:数据的预处理、可视化、提高模型计算速度

总结
① 聚类就是分组(归堆);降维类似于换个角度去审视原来的数据。
② 由于维度越多,速度越慢。所以,为提高模型运行速度,通常会做降维的任务。

    原文作者:ThisAmy
    原文地址: https://blog.csdn.net/ThisAmy/article/details/124153506
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞