开篇
人工智能(AI)这个话题越发耀眼,人们在谈论他的时候往往伴随着高端 科技 年薪百万的字样.越来越多的人开始谈论它,但是它确变得越来越神秘.阻隔人们看清他的仿佛不是面纱而是一堵墙.
其实人工智能并不像我们所想象的以数学 统计学 计算机系列高材生为宠儿,我希望可以通过一系列博客来同读到博客的人一起,一步一步,打通阻隔在我们身前的这堵墙.面对人工智能,多数人首先会在数学方面怯懦,但随着你大胆学习一段时间就会发现,数学只是我们的心理障碍,我们并没有用到什么过于难的数学知识,人工智能的真正意义在于分析的思想而非数学.
人工智能具体可以做哪些事情呢?该领域的研究包括机器人、语言识别、图像识别、自然语言处理、风险预测和专家系统等
本章会讲述:
什么是人工智能
人工智能与数学的关系
人工智能主要分类及常用算法
1-什么是人工智能
见名知意.人工智能由人工和智能两个词组成,智能是他的主要特征,而人工是这种智能的修饰词.地球上具备智慧可以思考的动物,人类首屈一指. 引用网上一个很恰当的词来形容人工智能 -- 拟人. AI是人工的让机器像人类一样思考.
2-人工智能与数学的关系
学习人工智能就像开车.
一个初级的司机熟悉车的基本操作,可以驾驶车到自己想去的地方,人工智能的初级是可以调用人工智能框架内由他人写好的算法来做基本的事情,事实上这也将是从事AI之后占比重最大的部分.
中级的司机可以熟练驾驶车辆,理解汽车的主要工作原理同时可以应付车辆常见的故障,当车辆抛锚时可以自己先尝试修理车辆.这对应着人工智能的中级工程师,他们熟练掌握常用算法的推导过程,理解这些算法的思想并知道哪些算法适合做哪些事情,为什么.
一个高级的司机,应该是一名汽车爱好者.他擅长车辆的改装,了解每种型号的发动机,必要的时候对各种不同的组件进行改装,组合,以便实现自己对动力 稳定性等不同需求.AI的高级工程师也一样,他善于抽取出算法的核心引擎并同其他算法组装,提高算法和业务的契合度.
例子列举的并不恰当,高手见谅.但这利于我们刚开始接触AI时候的理解.看到这里有些朋友会问,那数学呢,数学同AI的关系又是什么样子?同样是开车这个例子.数学在里边起到的作用就是:整个汽车开动起来,各个档需要多少动力,发动机需要用什么材料才能在产生动力的同时保证寿命.汽车各个材料间组装的公差等是什么要求.
可以看出,一名汽车生产厂的设计师需要学习数学,因为这是汽车制造的灵魂,但如果你是一个司机,那我们只需要会调用部分已有的数学公式即可.我们不需要去验证这些已有的公式是正确的,我们工作的灵魂,是算法思想!只要你具备一些简单的数学基础并且在学习AI的过程中补习自己遇到不会的知识点,学习AI是完全没有问题的.
3-人工智能主要分类及常用算法
人工智能主要分为三类:有监督机器学习,无监督机器学习,半监督机器学习(目前没有普及,本次不讨论).
什么是监督:
假设我们要做一个贷款逾期的风险预测.首先我们会得到一些贷款的历史数据,数据中包含了贷款人的各种信息,如年龄,固定资产,有无抵押,借款用途等等等等,同时我们有这些人借款后是否逾期的记录.我们将这些数据放到算法中让他去识别哪些人逾期的几率更高.算法会得出类似于无抵押,固定资产不足50w,借款用途为娱乐的人逾期可能性更高的结果.
请注意,上述案例中,算法得到的数据有客户的信息和是否逾期的历史结果.我们把处理给定了历史结果的算法称为有监督机器学习,这个监督就是历史结果来监督.相对的,处理没有提供历史结果数据的算法我们成为无监督机器学习.
有监督机器学习:
作用:
分类:预测球赛的结果(赢或者输),贷款逾期风险预测(逾期或者不逾期)这种离散概率事件.常用算法有逻辑回归,SVM,决策树,神经网络,贝叶斯分布等等
回归:其意思可以理解为拟合.假设坐标系上有一些散列分布的点,我们想通过一个直线方程来描述这些点的分布规律要怎么做呢?肯定不存在一条直线经过所有散列的点,但一定有一条直线可以保证这些散列点到这条直线距离的和最小.我们就用这条所有点到它距离的和最小的线来概括描述这些点的分布规律.
如下图,蓝色的线用来概括散列分布的点:
回归的常用算法有多元线性回归,Lasso 回归,岭回归,回归树,神经网络等等.
无监督机器学习
作用
聚类:分类是已经规定好了事物结果的类别,将结果预测出来.聚类是实现未规划好类别,按照数据的特性自动将相同特性的数据聚拢到一类.常用算法有K-Means,密度聚类,谱聚类,LDA
降维:降维的目的是提高算法迭代速度,后期会详细描述.常用算法有PCA,主成分分析,LDA
需要注意,聚类的LDA算法和降维的LDA算法并不相同.还要注意区分聚类和分类的差别.
人工智能的简单介绍就到这里,希望各位伙伴不要因为对数学的恐惧而不敢踏出第一步.后续还会更新算法的具体学习笔记,大家一起学习一起加油!
如有表述错误,烦请指正.
下一篇:多元线性回归详解1(推导过程)