首页
学习
活动
专区
工具
TVP
发布

人工智能学习思维导图

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。

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180115G0JRBV00?refer=cp_1026
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

扫码

添加站长 进交流群

领取专属 10元无门槛券

私享最新 技术干货

扫码加入开发者社群
领券