当前课程知识点:Introduction to Artificial Intelligence > Chapter 2 Machine Learning > 2.1 What is Machine Learning > Video 2.1
返回《Introduction to Artificial Intelligence》慕课在线视频课程列表
返回《Introduction to Artificial Intelligence》慕课在线视频列表
大家好
在上一章
我们介绍了
人工智能
机器学习
和深度学习之间的关系
在这一章,我们将要学习
什么是机器学习
在1959年
Arthur Samuel将机器学习定义为一种学习的领域
这给了计算机
一种学习的能力
并且不需要明确的计算机编程
然后在1997年
汤姆·米切尔给出了另一种定义
该定义被证明对工程设计更为有用
就是说,(机器学习)计算机程序可以从经验E中
学习有关
某类任务T
和绩效指标P的知识
看看是否它在T任务中的绩效
由P衡量的
可以随经验E的提高而提高
我们用两个例子来解释
E、T和P分别是什么意思
在跳棋游戏中
T表示的是跳棋
P表示的是在与任意对手的比赛中获胜的百分比
E表示的是
在与自己进行练习赛
在另一种情况下
T是在识别
手写数字
P是正确分类的数字
的百分比
E是人类标记的手写数字
图像的数据库
在某种高度上说
机器学习是教计算机系统
如何在获得数据时进行准确预测的
一个过程
机器学习是使计算机
像人类一样
学习和行动的科学
它通过观察和真实世界的交互形式向计算机提供数据和信息
从而随着时间的推移
以自主方式改善其学习
在使用计算机代表人类执行任务时
我们总是需要以计算机程序的形式
向计算机
发出指令
传统的编程语言
通常将数据
和规则
作为输入
并将规则应用于数据
进而将答案
作为输出
例如
传统编程的销售分析应用程序
读取销售数据以及
规则
然后将这些规则
应用于数据
并输出
关键趋势
分析
或见解
另一方面
在机器学习范式中
数据和答案
作为输入
而学习到的规则
作为输出
机器学习范式具有独特的价值
因为它使计算机可以在复杂而高维
的空间
也就是人类更难以理解的空间
中学习新规则
例如
我们可以编写
传统的计算机程序
来根据人的速度数据
例如步行
跑步或骑自行车的速度
来定义
具体是
什么活动
但是这种方法的问题在于不同的人
走路跑步还是骑车
会用有不同的速度
这取决于年龄,环境,健康状况
如果必须在机器学习范式中解决相同的问题
我们将获得许多活动示例
以及它们的标签
例如活动类型
然后学习或推断规则以预测未来的活动
它只是做旧事情的一种新方法
但是却是一种非常强大且可扩展的方法
众所周知,机器学习是人工智能的一个子领域
它为各种智能应用程序
提供了支持
它涉及可以从数据中学习的系统的
构建和研究
例如
机器学习可用于医学诊断
以回答诸如该癌症
这样的问题
它可以从数据中学习
并帮助诊断患者
是否为
真正的疾病患者
另一个示例是欺诈检测
其中机器学习可以从数据中学习
并提供对问题的答案
例如此信用卡交易
是否存在欺诈
因此
机器学习的目的
是让计算机预测某些事物
一个明显的场景来预测将来的事件
除此之外
它还可以预测未知的事物或事件
这意味着尚未编程或输入的内容
被输入
换句话说
计算机的行为没有经过明确的编程
由于数据在机器学习中起着重要作用
因此在谈论数据时理解和使用正确的术语
很重要
这将帮助我们对机器学习算法
有大致的理解
我们从矢量特征开始
它是代表某些对象的数字特征的
n维向量
这是对象或数据点集合
提供的
典型设置
此集合中的每个项目都由许多功能来描述
例如分类功能和连续功能
第二个是样本
样本是要处理实例的
项目
包括数据库中的一行
图片
或文档
特征空间是指特征集合
用于表征数据的
特征
集合
换句话说
特征空间是指变量所在的
n个维度
如果特征向量是向量长度L
则可以将每个数据点视为
被映射到
d维向量空间
这称为特征空间
标记数据
是具有已知分类结果的数据
获得标记的数据集后
您可以将机器学习模型应用于数据
以便可以将
新的未标记的数据呈现给模型
模型可以为该条未标记的数据
猜测
或预测
可能的标签
下面是一个例子,关于两个苹果的特征
一个是红色
另一个是绿色
在机器学习中
使用对象
在此示例中
对象是这个苹果
苹果对象的特征包括颜色,类型和形状
在第一种情况下
颜色为红色
类型为水果
形状为圆形
在第二种情况下
特征描述有所变化
苹果的颜色
现在是绿色了
让我们研究一下机器学习的类型
机器学习主要分为三种类型
第一个是有监督的机器学习
顾名思义
你必须在训练机器自己学习
的同时
监督机器学习
它需要标签
来训练数据
接下来是无监督学习
其中将包含训练数据
但不会被标记
最后是强化学习
其中系统自行学习
让我们详细
讨论这些类型
首先我们来看有监督的机器学习
有监督的机器学习是一种我们使用标签数据
教机器的方法
受监督意味着监督或指导某项活动
并确保其正确完成
在这种类型的学习中
机器在指导下学习
机器通过向它们传送带标签的数据
并明确告诉它们哪些输入以及
确切的输出方式来学习
让我们尝试了解有监督学习的工作原理
我们提供的数据集
包含两种水果的图片
苹果和香蕉
然后,我们提供了另一个数据集
该数据集使模型知道
这些图片是称为
苹果和香蕉的水果的图片
训练阶段到此结束
现在,我们要做的是提供一组新数据
它们是仅包含苹果的图片
仅包含苹果
然后该系统实际上可以告诉我们
它是什么水果
它将记住这一点
并在将来也应用此知识
这就是监督学习的工作方式
让我们继续,来看看无监督学习
在无监督学习中
机器会在无标签的数据上进行训练
而无需任何指导
例如
我们有一个混乱的
数据集
在这种情况下
我们收集了各种水果的图片
我们将此数据输入模型
然后模型分析数据
以找出其中的模式
最后
根据
照片的相似性
将照片
分为两类
我们将数据提供给系统
然后让系统完成其余工作
最后,我们看看强化学习
在强化学习中
主体通过产生行动
并发现错误或回报
来与其环境互动
现在,让我们看看它是如何工作的
想象一下一个新生婴儿
您在婴儿面前放了一支燃烧的蜡烛
婴儿不知道
如果碰到火焰
手指可能会被灼伤
因此他去做了然后受到了伤害
下次将蜡烛放在婴儿面前时
他将记住上次发生的情况
并且不会重复去做
上次的事情
这就是强化学习的工作原理
我们向机器提供数据集
其中我们要求
它识别一种特定种类的水果
在这种情况下为苹果
然后它的反应是
告诉了我们
这是香蕉
但是我们都知道
这是一个完全错误的答案
因此作为反馈
我们告诉系统
这是错误的
它不是香蕉,而是苹果
它所做的是
从反馈中学习
并牢记这一点
下次
如果我们问相同的问题
它将为我们提供正确的答案
这是一个加强的回应
它从错误
和经验中学习
以下是常规机器学习中包含的步骤
第一步是数据摄取
当用户提取数据时
它的格式可能不正确
并且可能需要进行一些清理
和转换
这是第二步
该数据是机器学习算法的输入
第三步
数据经过模型训练
下一步
是模型测试阶段
在最后一步中
将模型部署和集成
模型反馈
将返回给用户
并在数据摄取期间
反映出用户的行为
这一节我们就讲到这
感谢收看,欢迎进入下一节的学习
-1.1 What is artificial intelligence
--Exercise 1.1
-1.2 The History of artificial intelligence
--Exercise 1.2
-1.3 Applications of Artificial Intelligence
--Exercise 1.3
-1.4 Machine Learning and Deep Learning
--Exercise 1.4
-2.1 What is Machine Learning
-2.2 Supervised Learning
-2.3 Unsupervised Learning
-2.4 Construction of Development Environment
-3.1 What is Regression
--Exercise 3.1
-3.2 Linear Regression
--Exercise 3.2
-3.3 Logistic Regression
--Exercise 3.3
-3.4 Practical Case
-4.1 What is Classification
-4.2 Naive Bayes
-4.3 Support Vector Machine
-4.4 Practical Case
-5.1 Introduction to Deep Learning
--Exercise 5.1
-5.2 What is Neural Network
--Exercise 5.2
-5.3 Neural Network Basics
--Exercise 5.3
-5.4 Practical Case
-6.1 What is Convolutional Neural Network
-6.2 Convolution Layer
-6.3 Pooling Layer
-6.4 Classical Convolutional Neural Network
-7.1 What is Computer Vision
--Exercise 7.1
-7.2 Image Classification
--Exercise 7.2
-7.3 Introduction to TensorFlow
--Exercise 7.3
-7.4 Practical Case
-8.1 What is Natural Language Processing
-8.2 Basics of NLP
-8.3 Recurrent Neural Network
-8.4 Practical Case