上一章

Bayesian Networks

貝葉斯網(wǎng)絡提供了一個自然的表示方式，用于描述（因果引起的）條件獨立性。

• 拓撲結構 + 條件概率表 = 聯(lián)合分布的緊湊表示。
• 通常易于領域專家構建。
• 通過變量消除進行精確推斷：
  • 在有向無環(huán)圖上的時間復雜度是多項式級別的，但在一般圖上為 NP-hard。
  • 空間復雜度與時間復雜度相同，非常敏感于拓撲結構。
• Naive Bayes 模型是一種特殊的貝葉斯網(wǎng)絡。

本章：觀測學習

觀測學習是機器學習的一種方法，其目標是從數(shù)據(jù)中推斷出未知的模型或概率分布。觀測學習通常包括數(shù)據(jù)收集、選擇假設空間、使用學習算法選擇最優(yōu)模型、評估和調整等步驟。它可以應用于多種任務，包括分類、回歸、聚類、降維和異常檢測等。觀測學習的優(yōu)點是可以自動學習模型，無需手動指定模型的形式或參數(shù)。常見的觀測學習算法包括決策樹、神經(jīng)網(wǎng)絡、支持向量機、樸素貝葉斯、最大熵模型和隱馬爾可夫模型等。

學習

學習在人工智能和機器學習中扮演著重要的角色，它允許智能體從經(jīng)驗中提取知識和信息，并將其應用于新的任務和環(huán)境中。學習可以分為有監(jiān)督學習、無監(jiān)督學習和強化學習等不同類型，每種類型都有其獨特的應用和算法。學習的重要性在于它可以使智能體適應不斷變化的環(huán)境和任務，而不需要重新編寫程序或重新設計系統(tǒng)。盡管學習有很多優(yōu)點，但也存在一些挑戰(zhàn)和限制，例如需要大量的數(shù)據(jù)和計算資源來訓練模型，需要考慮數(shù)據(jù)偏差和過擬合等問題，還需要平衡探索和利用等問題。

學習元素

設計學習元素受以下因素的影響：

• 需要學習哪些性能元素的組成部分。
• 可用于學習這些組成部分的反饋信息是什么。
• 用于這些組成部分的表示方法是什么。

學習元素是機器學習系統(tǒng)的核心組成部分，包括算法、模型和數(shù)據(jù)等組成部分。學習元素的目的是讓智能體能夠從經(jīng)驗中學習知識和信息，以優(yōu)化其性能和決策。學習元素的設計需要考慮到任務和環(huán)境，并根據(jù)具體情況進行調整和優(yōu)化。反饋信息、算法和模型的選擇、以及表示方法也是學習元素設計的重要因素。

機器學習概論

機器學習對什么有用

自動語音識別

現(xiàn)在，大多數(shù)語音識別器或翻譯器都能學習——你使用它們越多，它們就越聰明

計算機視覺

例如物體、人臉和筆跡識別

Information retrieval—信息檢索

閱讀、消化和分類龐大的文本數(shù)據(jù)庫對人類的網(wǎng)頁檢索來說太多了
(檢索） 分類(分類） 聚類(聚類） 頁面之間的關系

機器學習

機器學習是一個交叉學科的領域，涵蓋了數(shù)學、計算機科學、工程學、統(tǒng)計學、認知科學、心理學、計算神經(jīng)科學、經(jīng)濟學等領域。

其目的是通過利用數(shù)據(jù)來訓練模型或算法，以便能夠自動化地完成某些任務，并且能夠從經(jīng)驗中不斷改進自身的性能。

機器學習涉及的模型和算法包括線性回歸、邏輯回歸、決策樹、支持向量機、神經(jīng)網(wǎng)絡、貝葉斯網(wǎng)絡、隱馬爾可夫模型、聚類、降維等。通過學習機器學習，可以掌握一些重要的概念、技術和工具，為今后的學習和實踐打下基礎。

機器學習：定義

Tom Mitchell（1998）提出了機器學習的定義：如果一個計算機程序在某個任務T上的性能，通過某種性能度量P，隨著經(jīng)驗E的增加而提高，那么它就可以說是從經(jīng)驗E中學習到了任務T。

這個定義強調了機器學習的本質：通過從數(shù)據(jù)中獲取知識和經(jīng)驗，來提高計算機程序在某些任務上的性能。其中，任務T可以是各種各樣的，包括分類、回歸、聚類、識別等；性能度量P可以是準確率、精確率、召回率、F1值、AUC值等；經(jīng)驗E可以是訓練數(shù)據(jù)、驗證數(shù)據(jù)、測試數(shù)據(jù)等。

電子郵件過濾問題

假設您的電子郵件程序觀察您標記為垃圾郵件或非垃圾郵件的郵件，并基于此學習如何更好地過濾垃圾郵件。在這種情況下，任務T是什么？

A. 將電子郵件分類為垃圾郵件或非垃圾郵件。
B. 觀察您標記為垃圾郵件或非垃圾郵件的郵件。
C. 正確分類為垃圾郵件/非垃圾郵件的電子郵件數(shù)量（或比例）。
D. 以上都不是——這不是一個機器學習問題。

答案：A. 將電子郵件分類為垃圾郵件或非垃圾郵件。

學習類型

假設有一個智能體或機器，它接收到一系列的感知輸入：$x_1,x_2,x_3,x_4,...$

監(jiān)督學習

在監(jiān)督學習中，機器還會收到所需的輸出 $y_1,y_2,...$，其目標是在給定新輸入的情況下學習生成正確的輸出。這被稱為監(jiān)督學習。在這種類型的學習中，機器被提供帶有標簽的示例，目標是學習一個將輸入映射到輸出的函數(shù)。常見的示例包括圖像分類和語音識別。

無監(jiān)督學習

在無監(jiān)督學習中，沒有給出所需的輸出 $y_1,y_2,...$，但智能體仍然希望構建一個可以用于推理、決策、預測和通信等目的的 $x$ 模型。目標是發(fā)現(xiàn)輸入數(shù)據(jù)中的模式、結構和關系。示例包括聚類、降維和異常檢測。

半監(jiān)督學習

半監(jiān)督學習是監(jiān)督學習和無監(jiān)督學習的結合。在這種類型的學習中，機器被提供一些帶標簽的示例和一些無標簽的示例。目標是學習一個可以推廣到新的、未見過的示例的函數(shù)。當標記數(shù)據(jù)稀缺或昂貴時，這種類型的學習非常有用。

強化學習

強化學習是一種學習類型，智能體在與環(huán)境交互并獲得獎勵或懲罰的形式的反饋時進行學習。目標是學習一個策略，以在復雜、動態(tài)的環(huán)境中最大化預期的累積獎勵。這種類型的學習在機器人、游戲和其他需要學習在復雜、動態(tài)環(huán)境中做出決策的應用程序中使用。

在機器學習中表示“對象”

• 一個例子或實例 $x$ 代表一個特定的對象
• 通常用一個 $d$ 維特征向量 $x=(x_1,...,x_d)\in {\mathbb{R}}^d$ 表示 $x$
• 每個維度稱為特征或屬性
• 特征可以是連續(xù)或離散的
• $x$ 是特征空間中的一個點，維度為 $d$
• 對象的抽象表示。忽略任何其他方面（例如，兩個具有相同體重和身高的人可能被認為是相同的）

特征向量表示

• 對于文本文檔：

  • 詞匯表的大小為 $d$ （大約100,000個詞）
  • “詞袋模型”：計算每個詞匯項的出現(xiàn)次數(shù)
  • 通常會刪除停用詞：the、of、at、in等
  • 特殊的“未知詞匯”（OOV）條目可以捕獲所有未知詞匯

• 對于圖像：

  • 像素、顏色直方圖等
  • 通過卷積進行特征提取

• 對于軟件：

  • 執(zhí)行概況：每行代碼執(zhí)行的次數(shù)

• 對于銀行賬戶：

  • 信用評級、余額、最近一天、一周、一個月、一年的存款次數(shù)、取款次數(shù)等

• 對于你和我：

  • 醫(yī)學檢測1、檢測2、檢測3等

關鍵要素

• 數(shù)據(jù)
  數(shù)據(jù)集 $D$ 包含 $N$ 個數(shù)據(jù)點：
  D = { x 1 , x 2 , . . . , x N } D = \{x_1, x_2, ..., x_N\} D={x1?,x2?,...,xN?}

• 預測
  我們通常希望基于觀察到的數(shù)據(jù)集進行預測。
  給定 $D$，我們能否預測 $x_{N+1}$？

• 模型
  為了進行預測，我們需要做一些假設。我們通常可以用模型的形式來表達這些假設，其中包含一些參數(shù)。
  給定數(shù)據(jù) $D$，我們從中學習模型參數(shù) $\theta$，從而可以預測新的數(shù)據(jù)點。文章來源地址http://www.zghlxwxcb.cn/news/detail-470894.html

到了這里，關于【人工智能】— 學習與機器學習、無/有監(jiān)督學習、強化學習、學習表示的文章就介紹完了。如果您還想了解更多內容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！