人工智能基础知识

人工智能基础：

分支：人工智能、机器学习、深度学习；

主要分支：机器视觉CV(人脸识别)、自然语言处理NLP(语言识别、语义识别)和机器人；

人工智能三要素：

数据、算法、计算力GPU；

GPU（计算力）、CPU（IO运行）

机器学习的流程：

数据->自动分析过的模型->预测->从数据中获得模型，并利用模型对未知数据进行预测。

工作流程：

步骤：获取数据、数据基本处理、特征工程、机器学习（模型训练）、模型评估；

数据集：

样本、特征、目标值、特征值；

数据类型构成：

1. 有特征值和目标值；
2. 只有特征值，没有目标值；

数据分割：

训练数据(构建模型0.7-0.8)、测试数据（模型评估0.2-0.3）；

数据处理：

对数据异常、缺失等情况进行处理；

特征工程：

使用专业背景知识和技巧处理数据，是特征功能在机器学习算法上发挥更好的作用的过程。

步骤：

特征提取->特征预处理->特征降维(降低随机变量的个数)；

模型评估：对模型进行评估；

机器学习算法分类：

监督学习、无监督学习、半监督学习、强化学习。

1. 监督学习：

• 有特征值和目标值(回归问题、分类问题)

算法分类：K-近邻、贝叶斯、决策树与随机森林、逻辑回归、神经网络；

• 无监督学习：

只有特征值，没有目标值（聚类：划分类别）

算法分类：聚类k-means,降维；异常检测、可视化

• 半监督学习

有特征值,但是一半数据有目标值，一部分没有目标值；

• 强化学习：

动态过程：上一步的输出是下一步的输入；

四要素：agent、action、environment、reward(反馈);

算法分类：马尔科夫决策、动态规划；

模型评估：

准确率、精确率、召回率、F1-score、AUC指标；

回归模型评估：

均方根误差、相对平方误差、平均绝对误差；相对绝对误差、决定系数

拟合：

• 欠拟合：特征值太少；
• 过拟合：特征值过多；