?

人工智能概述

人工智能的定義

· 人工智能是通過(guò)機(jī)器來(lái)模擬人類認(rèn)識(shí)能力的一種科技能力

· 人工智能最核心的能力就是根據(jù)給定的輸入做出判斷或預(yù)測(cè)

· 思考：通過(guò)什么途徑才能讓機(jī)器具備這樣的能力？

· 舉一個(gè)例子：

機(jī)器也需要學(xué)習(xí)

什么是機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)的定義

· 機(jī)器學(xué)習(xí)為人工智能提供了基礎(chǔ)，機(jī)器學(xué)習(xí)就是一種使用數(shù)據(jù)來(lái)訓(xùn)練軟件模型的技術(shù)。

什么是機(jī)器學(xué)習(xí)

理解模型

模型可以根據(jù)X的數(shù)值計(jì)算出Y的值，簡(jiǎn)單的說(shuō)，如果有一個(gè)函數(shù)，輸入一組X的數(shù)值(特征值),機(jī)器計(jì)算出中Y(預(yù)測(cè)值)的數(shù)值，f(x) = y 函數(shù)可以理解為一個(gè)簡(jiǎn)單的模型。

什么是機(jī)器學(xué)習(xí)

丼例：通過(guò)波士頓房?jī)r(jià)信息預(yù)測(cè)房?jī)r(jià)

什么是機(jī)器學(xué)習(xí)

丼例：通過(guò)波士頓房?jī)r(jià)信息預(yù)測(cè)房?jī)r(jià)

X1,X2,X3…代表特征，W1,W2,W3…代表權(quán)重, 復(fù)雜權(quán)重計(jì)算交給機(jī)器處理，得到f(x)=0.1231xX1+0.41xX2+0.57xX3,畫(huà)出廣義的f(x)=y坐標(biāo)圖

監(jiān)督學(xué)習(xí)

從給定的訓(xùn)練數(shù)據(jù)集（歷史數(shù)據(jù)）中學(xué)習(xí)出一個(gè)函數(shù)，當(dāng)新的數(shù)據(jù)到來(lái)時(shí)，可以根據(jù)這個(gè)函數(shù)預(yù)測(cè)結(jié)果。

監(jiān)督學(xué)習(xí)的訓(xùn)練集需要包括輸入和輸出，也可以說(shuō)是特征和目標(biāo)。訓(xùn)練集中的目標(biāo)是由人標(biāo)注的。

label是標(biāo)注，是要預(yù)測(cè)的目標(biāo)值，feature是特征

?

以下用例基于華為云機(jī)器服務(wù)平臺(tái)演示

監(jiān)督學(xué)習(xí)：回歸

線性回歸舉例：假設(shè)有一項(xiàng)健康運(yùn)動(dòng)的研究調(diào)查，通過(guò)手腕傳感器收集一些健身者的數(shù)據(jù)，比如性別、身高、體

重、年齡、心率、運(yùn)動(dòng)時(shí)長(zhǎng)、體溫、消耗的卡里路數(shù)據(jù)，現(xiàn)在要利用這些數(shù)據(jù)來(lái)預(yù)測(cè)羅西鍛煉所消耗的卡路里。

監(jiān)督學(xué)習(xí)：回歸

線性回歸建模實(shí)操演示

監(jiān)督學(xué)習(xí)：回歸

回歸模型的評(píng)估標(biāo)準(zhǔn)

回歸模型的評(píng)估值為MAE（平均絕對(duì)誤差）、MSE（均方誤差）、RMSE（均方根誤差）。上述3個(gè)誤差值是指評(píng)分真實(shí)值與預(yù)測(cè)值乊間的誤差，在多次建模的過(guò)程中，每一次建模結(jié)果都會(huì)產(chǎn)生一組誤差值，評(píng)判一個(gè)回歸模型好壞的方法就是看這三個(gè)誤差值是否變小或者變大，誤差值越小表示回歸模型越好.

平均絕對(duì)誤差MAE(mean absolute error）、均方誤差MSE(mean squared error）、均方根誤差RMSE(root mean squared error）

監(jiān)督學(xué)習(xí)：回歸

算法：隨機(jī)決策森林回歸VS線性回歸

?

監(jiān)督學(xué)習(xí)：分類

分類舉例：假設(shè)有一家診所，收集到患者的一些信息，例如血糖指數(shù)、心臟血壓、年齡、身體質(zhì)量指數(shù)等信息，幵且已標(biāo)注糖尿病患者和非糖尿病患者(1和0)，利用數(shù)據(jù)訓(xùn)練一個(gè)模型來(lái)做預(yù)測(cè)。

監(jiān)督學(xué)習(xí)：分類

分類建模實(shí)操演示

監(jiān)督學(xué)習(xí)：分類

分類模型的評(píng)估標(biāo)準(zhǔn)

· 模型預(yù)測(cè)的值是在0到1乊間，閾值的選擇決定預(yù)測(cè)值。

· 若一個(gè)實(shí)例是正例，幵且被預(yù)測(cè)為正例，即為真正例(True Postive TP)

· 若一個(gè)實(shí)例是正例，但是被預(yù)測(cè)成為負(fù)例，即為假負(fù)例(False Negative FN)

· 若一個(gè)實(shí)例是負(fù)例，但是被預(yù)測(cè)成為正例，即為假正例(False Postive FP)

· 若一個(gè)實(shí)例是負(fù)例，幵且被預(yù)測(cè)成為負(fù)例，即為真負(fù)例(True Negative TN)

· 精確率、準(zhǔn)確率： Accuracy =(TP+TN)/(TP+TN+FN+FP)

· 精準(zhǔn)率、查準(zhǔn)率： Precision = TP/ (TP+FP)

· 召回率、查全率： Recall = TP/ (TP+FN)

· 真正類率(true postive rate TPR)靈敏度，Sensitivity(正類覆蓋率),TPR = TP/(TP+FN)

· 負(fù)正類率(false postive rate FPR)特異度，劃分實(shí)例中所有負(fù)例占所有負(fù)例的比例,FPR=FP/(FP+TN)

· 縱軸TPR:Sensitivity(正例覆蓋率),TPR越大，預(yù)測(cè)正類中實(shí)際正類越多

· 橫軸FPR:FPR越大，預(yù)測(cè)正例中實(shí)際負(fù)例越多。

· ROC曲線：接收者操作特征(receiveroperating characteristic), ROC曲線上每個(gè)點(diǎn)反映著對(duì)同一信號(hào)刺激的感

受性

監(jiān)督學(xué)習(xí)：分類

分類模型的評(píng)估標(biāo)準(zhǔn)

ROC曲線下面的區(qū)域，稱乊為AUC，是判斷模型預(yù)測(cè)表現(xiàn)的指標(biāo)。一般來(lái)說(shuō)，AUC區(qū)域越大，曲線越靠近左上角模型的表現(xiàn)越好

監(jiān)督學(xué)習(xí)：分類

算法：梯度提升樹(shù)分類VS決策樹(shù)分類

?

非監(jiān)督學(xué)習(xí)：聚類

聚類建模實(shí)操演示

現(xiàn)有批發(fā)商品交易活動(dòng)數(shù)據(jù)，依據(jù)每個(gè)客戶的年進(jìn)貨量大小，找出潛在的大客戶，然后定制化銷售策略

大客戶（id：2）、中客戶（id：1）及小客戶（id：0）

非監(jiān)督學(xué)習(xí)：聚類

k均值聚類算法：k=3 k是中心點(diǎn)(質(zhì)心點(diǎn)）

隨機(jī)位置繪制k個(gè)點(diǎn) 確定網(wǎng)格中每個(gè)點(diǎn)最接近哪個(gè)中心點(diǎn)

最終產(chǎn)生有良好分離效果的聚類

判斷依據(jù)：聚類中心之間的平均距離，和集群中心點(diǎn)到最遠(yuǎn)點(diǎn)的距離相對(duì)比，這個(gè)比例越大，聚類的分離程度越大

機(jī)器學(xué)習(xí)流程

核心流程：

數(shù)據(jù)收集：理解數(shù)據(jù)的含義，數(shù)據(jù)質(zhì)量評(píng)估

數(shù)據(jù)處理：數(shù)據(jù)清洗（去噪、去重）、數(shù)據(jù)格式轉(zhuǎn)換、特性提取

模型訓(xùn)練：了解常用的機(jī)器學(xué)習(xí)算法，選擇合適的算法去訓(xùn)練

評(píng)估模型：通過(guò)測(cè)試數(shù)據(jù)集去預(yù)測(cè)目標(biāo)，分析評(píng)估模型指標(biāo)數(shù)據(jù)，評(píng)估結(jié)果可視化

應(yīng)用模型：導(dǎo)出或發(fā)布模型進(jìn)行應(yīng)用，最后對(duì)模型的效果進(jìn)行反饋跟蹤

如何快速掌握AI應(yīng)用的能力

角色定位：

AI應(yīng)用工程師：主要將AI與行業(yè)應(yīng)用結(jié)合，開(kāi)發(fā)各種應(yīng)用或者中間件

AI售前工程師：主要是結(jié)合各行業(yè)，提出各種AI應(yīng)用的場(chǎng)景，向客戶提供解決方案

AI集成工程師：主要是與AI產(chǎn)品供應(yīng)商合作，提供整體集成解決方案，包括實(shí)施和運(yùn)維
AI產(chǎn)品經(jīng)理：主要是將AI 功能落地到產(chǎn)品上，提升產(chǎn)品交互體驗(yàn)，增強(qiáng)產(chǎn)品競(jìng)爭(zhēng)力

AI研發(fā)工程師：主要負(fù)責(zé)核心AI技術(shù)的研發(fā)工作（算法、模型）

詳細(xì)內(nèi)容可以結(jié)合直播學(xué)習(xí)

直播地址：http://zhibo.huaweicloud.com/watch/2668613

版權(quán)聲名：部分圖片素材來(lái)源網(wǎng)絡(luò),如有侵僅及時(shí)聯(lián)系本人

轉(zhuǎn)載請(qǐng)注明來(lái)源

作者：劉毅超 微信號(hào):yichao233

轉(zhuǎn)載于:https://www.cnblogs.com/chaochao6078/p/10628671.html

總結(jié)

以上是生活随笔為你收集整理的AI零基础入门之人工智能开启新时代—下篇的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。