读了数量之多的关于人工智能相关技术的理论书籍。也好学般自学了相当长一段时间机器学习和深度学习的技术。
至今日,决定将探索继续下去。
先奉上一张人工智能学习的思维导图。
借鉴某本书中的一段话。大概所有人工智能理论的学习都无非是下面四种固定的配方:特定的数据集、算法模型、损失函数、优化过程。
壹 特定的数据集
人工智能是以海量数据为基础,数据的丰富程度决定了算法模型最终与真实世界的拟合程度。
因此,数据清洗和数据特征工程是实现人工智能技术的第一步。
目前,在特征工程中,主要所做的工作是对高纬度数据降维,主流算法有PCA、LDA、ICA等。在数据预处理阶段,常见的做法是对数据进行标准化、归一化、亚编码等。
贰 算法模型
本篇介绍中,算法模型分为两部分:
机器学习
在机器学习中,算法大致分为分类、回归、聚类三种。常见的分类算法有:KNN、SVM、RT、GBDT等。常见的回归算法为:逻辑回归和线性回归。常见的聚类算法有Kmeans、AP等。
深度学习
在深度学习中,主流的算法有BP(反向传播算法)、DNN(深度神经网络算法)、RNN(循环也叫递归神经网络)、CNN(卷积神经网络)等。
叄 损失函数
为了评估算法模型的合理性,人工智能中引入了损失函数。常见的损失函数主要有:平方误差损失函数(基于最小二乘法)、交叉熵损失函数(基于概率论)
未来之路很长,追寻正确方向的人必定不会孤单。
领取专属 10元无门槛券
私享最新 技术干货