机器学习概述
一、概述
- 人工智能的应用：交通、网络安全、电子商务、
- 人工智能发展三要素：数据、算法、计算力。
- CPU,GPU,TPU
- CPU主要适合I\O密集型任务
- GPU主要适合计算密集型任务
提问：什么类型的程序适合在GPU上运行？
- 第一种，计算密集型程序。计算密集型程序是指大部分运行时间花在寄存器的运算上，寄存器的速度和处理器的速度相当，从寄存器读写数据几乎没有延时。
- 第二种，易于并行的程序。GPU其实是一种SIMD架构，有成千上百个核，每一个核在同一时间最好能做一样的事情。
- 人工智能、机器学习和深度学习：
- 机器学习是人工智能的实现途径
- 深度学习是机器学习的一个方法发展而来
二、发展历程
-
起源：
- 图灵测试。
- 达特茅斯会议。1956年。
-
时间线：
- 第一是起步发展期：1956-1960；
- 第二是反思发展期：20世纪60年代-70年代初；
- 第三是应用发展期：20世纪70年代初-80年代中；
- 第四是低迷发展期：20世纪80年代中-90年代中；
- 第五是稳步发展期：20世纪90年代中-2010；
- 第六是蓬勃发展期：2011至今。
三、主要分支
主要分支：
-
计算机视觉：机器感知环境的能力
-
语音识别：识别语音并将其转换成对应文本的技术
-
文本挖掘、分类：文本分类，理解组织文档
-
机器翻译
-
机器人
四、工作流程
-
什么是机器学习？
机器学习是从数据中自动分析获得模型，并利用模型对未知数据预测。
-
机器学习工作流程
- 1 获取数据
- 2 数据基本处理
- 3 特征工程
- 4 机器学习，模型训练
- 5 模型评估
五、算法分类
- 监督学习
输入数据由特征值和目标值组成，输出为一个连续的值（回归）或者有限个离散的值（分类）。 - 无监督学习
输入数据由特征值组成，没有目标值。 - 半监督学习
训练集同时包含有标记样本数据和未标记数据。 - 强化学习
决策问题。agent采用行动操纵环境，从一个状态转变到另一个状态，得到奖励。
六、模型评估
- 分类模型评估：准确率
- 回归模型评估：均方根误差
- 拟合
- 欠拟合，学习到太少
- 过拟合，在训练集优越，在测试集不能泛化