浙大AI导论（入门）兴趣向（第五课）

先来回顾一下机器学习定义

人工智能的提出：让机器能像人那样认知、思考和学习。

 

 然后在当时提出了推理学习的人工智能目标：

 

 人工智能 ≈ 机器学习

其中有这样一句话：Field of study that gives computers the ability to learn without being explicitly programmed

就是让机器自行去学习（不需要给予制定的程序）

一些文献里的经典内容（可以去google翻译了）

• Machine learning is based on algorithms that can learn from data without relying on rules-based programming." - McKinsey & Co.

• "Machine learning algorithms can figure out how to perform important tasks by generalizing from examples." – University of Washington

• "The field of Machine Learning seeks to answer the question “How can we build computer systems that automatically improve with experience, and what are the fundamental laws that govern all learning processes?" – Carnegie Mellon University

• "Machine learning research is part of research on artificial intelligence, seeking to provide knowledge to computers through data, observations and interacting with the world. That acquired knowledge allows computers to correctly generalize to new settings." - Yoshua Bengio, Université de Montréal

让我们看看现代人工智能的应用：

 

 这是手写体的识别，然后识别出来后进行判断

 

 

 

 这个照片相当于x，花的学习就是y，x 结合函数 f 就转换成了 y 这种形式

等等等等，人工智能在我们生活中的应用还是挺多的！

 

 

机器学习基础概念

建模的一些基础概念：

函数(模型） 𝑓

参数 𝜃 （参数 vs. 超参数）PS:这里的超参数是我们人为设定的参数，当然我们需要去找到这个超参数，怎么找呢，敬请期待后面的讲解！

特征(输入） 𝑥

目标（输出） 𝑦（预测目标 𝑦∗=f_𝜃(𝑥))这里的y*是预测结果，与真正的 y 还有一定差距，Thus，我们需要用一个集合来表示这组真正的数据

数据 𝐷={(𝑥_𝑖,𝑦_𝑖)|𝑖=1,...,𝑚}

（这里的m表示样本数）

 

建模过程分为：

训练和推理 两个阶段

这里的“训练”就是利用(x,y)去慢慢推出 f 是啥什么

然后“推理”即 得到了这个 f  之后，我们再用新的 x 去往里套得到 y 

“预测”即推理

由上可得数据可以分为三类：

训练数据、测试数据、推理数据

 

探究有哪些 问题 ？

在机器学习中我们可以把问题分为两类：

分类和回归

• 𝑦是数值 - 回归问题
• 𝑦是类别（标签） - 分类问题

举个例子：

 

 这个其实是分类问题

因为它的 x 可能是 这个骨架有没有损害（没有提到数字类的东西） 

 

然后我们又可以将上述问题分为监督学习和无监督学习！

监督学习是什么？

就是有对应的{(x_i,y_i)}的模型，类似于上图，我把所有的医学图像都搞来了，同时也告诉机器哪个是有病的图像，那么此时机器学习就是监督学习！！

 

无监督学习是什么？

就是只有{(x_i)}的模型，也就是我给机器大量医学图片，不告诉他哪张是有病的图像，让机器自己去识别，那么此时机器学习就是无监督学习！！

 

很明显吧，无监督学习要难得多！！！！

 

当然了，还有半监督模式是混合的{(x_i,y_i)}的 模型。（它出没不定）

 

下一课内容：（我们即将学习如何建模以及如何模型训练）

损失函数与梯度下降