吃瓜教程task01(爆肝且未完成版--我觉得有后续版)

本篇说明

黑色加粗:概念

紫色加粗:知识点

任务

吃瓜教程task01(爆肝且未完成版--我觉得有后续版)_第1张图片


南瓜书(补一下导学课)

三大术语

人工智能:让机器变得像人一样有智慧的学科

机器学习:让计算机像人一样从数据中学习出规律的算法

深度学习:神经网络类的机器学习算法

AI领域

CV:视觉能力

NLP:语言能力

RS(推荐系统):喜好

南瓜书定位

辅助西瓜书,公式推导

zy基础班--补数学基础

课程使用

西瓜-南瓜-西瓜


西瓜书(目前粗略看完第一章)

1.1 引言

人们利用经验判断明天天气好、西瓜好

--》

人们想,能不能让计算机实现对经验的利用?

因此产生了

机器学习:通过计算,利用经验改善系统性能

ps:经验在计算机中常以数据形式存在

学习算法:通过数据产生模型的算法

学习算法通常有参数设置

从而利用产生的模型来对新情况提供判断

ps:模型在书中指数据中得到的结果

1.2 基本术语

数据集:记录的集合

示例/样本:一条记录

属性:反映对象或事物某方面的性质

属性空间:属性所有的取值

维度:一个示例有多少个属性

特征向量:每个示例对应维度空间上的点对应一个向量空间

学习:执行某种学习算法,从数据中学得模型

训练集:训练样本的集合

假设:学得模型对应了关于数据的某种潜在规律

ps:将潜在规律自身叫做真相

--》

学习过程就是找出或不断逼近真相的过程

标记:示例的结果信息

标记空间:所有标记的集合

学习任务分类

(根据预测值的连续性)

+ 离散值:分类

+ 连续值:回归

(根据训练数据是否有标记)

+ 有监督--》回归、分类

+ 无监督--》聚类

泛化:学得模型适应新样本的能力

ps:一般样本越多,泛化越好

1.3 假设空间

归纳:从特殊到一般的泛化

演绎:从具体事实推导出一般规律

学习过程看成在所有可能假设(假设空间)中搜索的过程,搜索fit训练集的假设

但是,

可能存在很多个fit的假设

--》

1.4 归纳偏好

偏好

仅有训练样本时学习算法无法判断多个fit谁更好

因此,

学习算法要有对某类型假设的偏好

否则就会被假设等效所迷惑,无法产生确定的学习结果

偏好原则

“奥卡姆剃刀”:有多个假设,选最简单的那个,即最平滑

没有免费的午餐定理(NFL):胡乱猜约等于学习算法

???怎么可以

然而,

NFL有前提,所有问题出现的机会相等或问题等同重要,但实际情形不是这样的

1.5 发展历程

推理期--》知识期--》。。



下节预告 

一元线性回归

西瓜 3.1 3.2 3.3 3.4


本篇差漏(改进就删!)

西瓜书最精华的西瓜例子没有放上来,缺少图形化的解释,人工智能发展历史略读,NFL定理略读,一些公式推导略读,第二章任务还没有完成

你可能感兴趣的:(AI,人工智能,python,深度学习)