1

分享

AI-機器學習基礎概念

人工智慧是近期很熱門的議題
人工智慧(Artificial Intelligence,AI)
也稱之為人工智能
就是讓機器擁有與人一樣的思考邏輯和行為模式
  • 從原始資料轉換成智慧的過程
人工智慧是一個研究從原始資料轉換成智慧的過程
需要經過不同層次的處理步驟,如下:
原始資料(處理)→資料(認知)→知識(樣式抽取)→理解(推論)→智慧
  • 人工智慧的應用領域
  1. 手寫辨識
  2. 語音辨識
  3. 電腦視覺
  4. 專家系統
  5. 自然語言處裡
  6. 電腦遊戲
  7. 智慧機器人
  • 人工智慧的研究領域
  1. 機器學習和樣式識別
  2. 邏輯基礎的人工智慧
  3. 搜尋
  4. 知識表示法
  5. AI規劃
  6. 啟發法
  7. 基因程式設計
  • 機器學習(Machine Learning)
是應用統計學技術自動找出資料中隱藏的規則和關聯性,
可以建立預測模型來準確地進行預測。
  

機器學習的定義:從過往資料和經驗中自我學習並找出其運行的規則,

以達到人工智慧的方法。

資料(Data)→資料處理訓練最佳化→機器學習模型(Machine Learning Mode)
機器學習就是目前人工智慧發展的核心研究領域之一。
機器學習中的方式可非為常見的分類迴歸問題(監督式學習)
分類問題 : 將輸入資料區分成不同類別。
迴歸問題 : 從輸入資料找出規律,並使用統計的迴歸分析來建立對應的方程式,藉此做出準確的預測。
機器學習的主要目的是預測資料,其厲害之處在於自主學習,
找出和資料之間的關係和規則。
  • 從資料中自我訓練學習可透過以下方式訓練:
  1. 需要大量資料訓練模型
  2. 從資料中自行學習找出關聯,和識別出樣式
  3. 根據自行學習和識別出樣式獲得的經驗,即可替代我們將來的新資料做分類,並可推測其行為、結果和趨勢
  • 機器學習可以解決的問題
分類、異常值判斷、預測性分析、分群、協助決策
分類:用來解決兩種或者多種結果的問題。
EX:客戶是否續約(是/否)
多元分類:二元分類的擴充。
EX:哪類植物的圖片?
異常值判斷:偵測異常狀況,辨認不正常資料。
EX:管路壓力大小是否有異常?
預測性分析:解決的問題是數值而非分類,預測量有多少
EX:下周日可以賣出多少產品?
分群:解決資料是如何組成的問題(非監督式學習)
用來測量資料之間的距離或相似度即距離度量
EX:智商差距、相同基因組的數量、兩點之間的最短距離,然後用此據來分成均等的群組,像:哪些消費者對水果有相似的喜好?哪些觀眾喜歡同一類電影?
協助決策(增強式學習):決定下一步要式甚麼?原理是緣於大腦對懲罰的反應機制,可以決定獎勵最高的下一步,和避開懲罰的選擇
EX:下圍棋時決定下一步棋落子位置?

好了~用星期日加減閱讀一下機器學習的資料順便彙整一番
有時候雖然真的想偷懶,但是回想一路走來的堅持
其實是心甘情願地在學習
甚至慢慢發現學習自己不擅長的事情也是有趣之處(是累了點拉哈)
期望自己能在更加深入探索這些知識
多多讀書學習並且與時俱進~禮拜日共勉之

資料來源:Python 資料科學與人工智慧應用實務

資料科學 人工智慧 機器學習
#資料科學  #人工智慧  #機器學習 
分類:學習

如圖!! 短短的頭髮、拍照時愛比YA。目前擔任無憂無慮的學生。報告完畢!此外,若想看閱讀反思類的也歡迎來到【鹿 筆】#閱讀#反思#成長 https://www.timelog.to/user?id=11945612

評論
上一篇
  • Python基礎概念,list總複習
  • 下一篇
  • 推薦Python線上課程_取得證書!
  • 更多文章
    載入中... 沒有更多了