回覆列表
-
1 # 使用者6471629630988
-
2 # 使用者1022732637656
人工智慧（AI）和機器學習（ML）是目前非常流行，並且出現頻率很高的詞彙。雖然人們常把它們混淆，但是它們卻有不同的含義。當前是大資料分析應用的黃金時代，人工智慧和機器學習，是大資料時代的核心和靈魂。
總的來說人工智慧是一種具體的結果，而機器學習是我們達到人工智慧的一個途徑。人工智慧可以主導機器學習的過程，但是機器學習的結果並不一定能夠導致人工智慧。人工智慧是一個更廣泛的概念，即讓機器能夠以我們認為“智慧”的方式執行任務。具體說，機器學習是人工智慧的一個應用，它的目的是讓計算機能夠更好的訪問和利用資料，並且在沒有人工干預的情況下從中檢索出事件發展的內在規律
-
3 # 浮躁的中年人
1、人工智慧、機器學習、深度學習三者聯絡系
對於很多初入學習人工智慧的學習者來說，對人工智慧、機器學習、深度學習的概念和區別還不是很瞭解，有可能你每天都能聽到這個概念，也經常提這個概念，但是你真的懂它們之間的關係嗎？那麼接下來就給大家從概念和特點上進行闡述。先看下三者的關係。
人工智慧包括了機器學習，機器學習包括了深度學習，他們是子類和父類的關係。如下圖
人工智慧和機器學習之間的關係是什麼？
- 機器學習是用來實現人工智慧的一種技術手段
- 演算法模型
- 概念：特殊的物件。特殊之處就在於該物件內部已經整合或者封裝好一個某種方程（還沒有求出解的方程）
- 作用：演算法模型物件最終求出的解就是該演算法模型實現預測或者分類的結果
- 預測
- 分類
- 樣本資料：numpy，DataFrame
- 樣本資料和演算法模型之間的關聯：樣本資料是需要帶入到演算法模型物件中對其內部封裝的方程進行求解的操作。該過程被稱為模型的訓練。
- 組成部分：
- 特徵資料：自變數（樓層，採光率，面積）
- 目標資料：因變數（售價）
- 模型的分類：
- 有監督學習：如果模型需要的樣本資料中必須包含特徵和目標資料，則該模型歸為有監督學習的分類
- 無監督學習：如果模型需要的樣本資料只需要有特徵資料即可。
- sklearn模組：大概封裝了10多種演算法模型物件。
- 線性迴歸演算法模型-》預測
- KNN演算法模型-》分類
分類和預測的區別
- 分類
分類：輸入樣本資料，輸出對應的類別，將樣本中每個資料對應一個已知屬性。(有監督學習)
分類演算法分為兩步：
(1)學習步：透過訓練樣本資料集，建立分類規則
(2)分類步：用已知的測試樣本集評估分類規則的準確率，若準確率可接受，則是使用該規則對除樣本以外的資料(待測樣本集)進行預測。
- 預測
預測：兩種或者兩種以上的變數之間相互依賴的函式模型，進行預測或者控制。
預測演算法分兩步：
(1)透過訓練集建立樣本模型
(2)透過檢驗後進行預測或者控制
- 常用的分類與預測演算法
1.迴歸分析：線形迴歸、非線性迴歸、Logistic迴歸、嶺迴歸、主成分迴歸、最小二乘迴歸等。
2.決策樹：分類演算法
3.ANN(人工神經網路)：
4.貝葉斯網路
5、支援向量機(svm):將低維非線性轉換為高維線形進行計算。