文章目录
1.人工智能与机器学习
监督学习
无监督学习（难）
半监督学习
强化学习
2.分类任务
提取特征
特征向量
特征点和特征空间
3.分类器
训练分类器
感知器（perceptron）
损失函数
支持向量机
4.多分类问题
归一化指数函数（softmax）
5.图像分类
图像特征
卷积运算
利用卷积提取图像特征
方向梯度直方图
6.深度神经网络
卷积层
全连接层
归一化指数层
非线性激活层
池化层
人工神经网络和生物神经网络
人工神经网络的训练
过拟合和欠拟合
梯度消失
声音识别+视频识别
运动的刻画：光流
光流直方图
聚类
K均值聚类
人脸聚类
手肘法
层次聚类和生物聚类
文本数据处理
文本特征
词袋模型
if-idf（词频-逆文档频率）
主题模型
创作图画
生成对抗网络
生成网络
判别网络
条件生成对抗网络
创作图画
生成对抗网络
生成网络
判别网络
条件生成对抗网络
1.人工智能与机器学习
人工智能是通过机器来模拟人类认知能力的技术
当代的人工智能普遍通过学习来获得进行预测和判断的能力。这样的方法被称为机器学习
监督学习
最常用的一种机器学习方法
预测值的真实值通过提供反馈对学习过程起到了监督的作用，我们称这样的学习方式为监督学习。
（但是每个样本都要提供预测量的真实值，需要大量的人力）
无监督学习（难）
半监督学习
提供小部分的监督数据，往往比无监督学习有更好的效果，并且可以控制成本
强化学习
利用学习得到的模型来指导行动，目标就是获得一个策略（Policy）去指导行动，不需要一系列的输入和预测的样本，他是在行动中学习。
强化学习模型一般包含如下几个部分：
一组可以动态变化的状态（state） 如棋盘黑白子的分布位置
一组可以选择的动作（action） 如落子的位置
一组可以和决策主体交互的环境，会决定每个动作后状态如何变化 如博弈的对手
回报（reward）规则，决策主体通过行动使状态
2.分类任务
分类（classification）是要根据所给数据的不同特点，判断他属于哪个类别
能像人类一样区别一些事物的特征，并且判断出来，完成分类任务的人工智能系统，被称为分类器。
其中最重要的一部是 特征提取 然后放到训练好的分类器中国，分类器能够根据这些特征进行预测，输出你想要的种类。
提取特征
特征是在分类器乃至于所有人工智能系统中非常重要的概念。
特征向量
把描述一个事物的特征数值都组织在一起，形成一个特征向量，对他进行更完备的刻画。
特征点和特征空间
把特征向量表示在直角坐标系中，比如（1.1,0.1），就可以把他看成一个点，特征点。
所有特征点构成的空间叫特征空间。
特征点之间的距离来衡量物体之间的相似度。
3.分类器
可以清楚的看到一条线 两边区域分别代表不同的种类，这条线就是分类器。
类似f(x1,x2,----xn) = ax1+bx2±—b形式的分类器被称为线性分类器。
在这个例子中，我们可以直接画出一条直线来分类，但是实际情况下特征点分布十分复杂，采用观察的方式画出分类直线是不可能的，因此需要一些方法得到分类直线。
训练分类器
比如学校， 学习知识的过程叫做训练，考试过程被称为测试，解决实际问题被称为应用
训练阶段需要大量的训练数据，并且需要对数据进行测试，一般情况下需要知道他们实际的类别人工进行标注，分时费时费力，有的数据标注甚至需要专业人士。
例如
在数据集的基础上去训练分类器，如果数据集被用于分类器训练，我们称之为训练集。
这一过程是由一系列判断和计算的步骤组成的，通常被称为算法（algorithm）
下面介绍两种常用的训练线性分类器的算法。
感知器（perceptron）
主要想法：利用被误分类的训练数据调整现有分类器的参数，调整后的分类器更加准确。
如果标注的类别是+1，则ax+bx+c<0就是误分类，反之-1，>0误分类
具体感知器算法如图所示
损失函数
loss function 是在训练过程中用来度量分类器输出错误程度的数学化表达。
误分类的数据点离直线越远，损失函数越大。
支持向量机
在给定一批训练数据后，我们希望分类先离数据点越远越好，实际上，我们只要关注离分类直线最近的点的距离，使得他们距离分类直线越远越好。
把两个类别中离分类直线最近的点到直线的距离称为 分类间隔
如下图，可以看到橙色直线的阴影区域更宽对应分类间隔更大，确信程度更高
支持向量机（SVM）是特征空间上分类间隔最大的分类器。
支持向量机的损失函数
4.多分类问题
归一化指数函数（softmax）
将多个分类器通过一个归一化指数函数输出转变为概率–说明一个物体属于哪一类的可能性。
5.图像分类
图像可以表示为一个由数字组成的矩形阵列，称为矩阵（matrix）小格子称为像素（pixel）
格子的行数与列数为分辨率。 1280×720 1280行和720列
一个彩色图像可以用一个由整数组成的立方体阵列来表示。称这样的数字阵列为三阶张量（tensor）。
三阶张量的高度称为通道。 向量是一阶张量，矩阵是二阶张量。
图像特征
卷积运算
参与卷积运算可以是向量，矩阵或三阶张量。
两个向量卷积的结果仍然是一个向量。
利用卷积提取图像特征
通过分别乘以三列1,0，-1 三行1,0，-1 的卷积核，可分别提取到图像的左右像素和上下像素。
方向梯度直方图
6.深度神经网络
卷积层
一个深度神经网络以卷积层为主体时，称之为卷积神经网络。
由简单到复杂，由低级到高级 ：例如 字母的组合 得到单词 单词的组合 得到句子 句子的分析 得到语义 语义的分析 得到思想和目的
一个卷积核可以得到一个通道为1的三阶张量，每一个通道都是从原图像中提取的一种特征，我们将这个张量称为特征图。
全连接层
图片分类时，图片经过若干卷积层后，得到的特征图转化为特征向量，用到的便是全连接层。
归一化指数层
完成多类线性分类器的归一化指数的计算。
非线性激活层
通常在每个卷积层和全连接层后面都连接了一个非线性激活层。
常用线性函数：
以线性整流函数构成的非线性激活层（ReLU层）为例，将小于0的的元素都变成0，保持其他元素不变，就得到了输出。
池化层
防止卷积层的计算量很大，分辨率很大的话，会在几个卷积层之后插入池化层，以降低特征图的分辨率。
人工神经网络和生物神经网络
特征图或特征向量中的每个元素称为神经元，元素的值称为神经元的响应。
人工神经网络的训练
有时候学习的参数多达六千万个，其难度 远高于线性分类器的训练。针对这类问题，突出了
反向传播（backpropagation）算法，训练神经网络最有效的手段之一。
过拟合和欠拟合
过多的层数带来过多的参数，导致机器学习的通病，过拟合。
复杂模型过多的迎合训练数据，导致大量数据表现很差的现象叫做过拟合。
模型勾玉简单能力较弱，而导致在训练过程中准确率很低并难以提升，在数据上表现同样很差的现象称为欠拟合。
权值衰减等正则化的方法来解决这个问题
梯度消失
对网络进行简单堆叠加深导致一种影响性能的现象：梯度消失。
可用批处理华和跨层连接解决
声音识别+视频识别
运动的刻画：光流
可以将一组数据分成不同的类。我们称这列方法为聚类。
光流直方图
聚类
通过分析数据在特征空间的聚集情况，也可以将一组数据分成不同的类。称这类方法为聚类。
K均值聚类
通过循环的改善中心店与划分方式，我们可以得到越来越好的聚类结果。
人脸聚类
人脸检测 然后 人脸转正（去除脸部姿态的干扰）
将相册里面出现的人脸分为若干类
手肘法
层次聚类和生物聚类
文本数据处理
海量文本数据称为语料库，语料库中的独立文本称为文档，文档的中心思想或主要内容成为主题。
文本特征
词袋模型
用于描述文本的一个简单的数学模型，常用的一种文本特征提取方式。
有了词袋后，可以构建一个包含若干词语的词典。
每个词语在文档中出现的次数按照序号排列，得到文档的 词计数向量。
if-idf（词频-逆文档频率）
词频就是词在文本中的出现的频率，但是频率高的不一定重要，这时候需要逆文档频率，比如一篇文章中，出现了很多次的铭铭，但是他的动作也有很多，这时候动作是比铭铭重要。
主题模型
主题模型是描述语料库及其中潜在主题的一类数学模型。
创作图画
生成对抗网络
由生成网络和判别网络构成
生成网络生成数据 判别网络辨别真假
通过他们相互对抗来学习
简单生成的样本所在空间被称为潜在空间
生成网络
判别网络
条件生成对抗网络
可以根据条件生成不同的图片
0856433537)]
[外链图片转存中…(img-kTdwS4v2-1720856433537)]
创作图画
生成对抗网络
由生成网络和判别网络构成
生成网络生成数据 判别网络辨别真假
通过他们相互对抗来学习
简单生成的样本所在空间被称为潜在空间
生成网络
[外链图片转存中…(img-W8TYY4yh-1720856433537)]
判别网络
[外链图片转存中…(img-dRyjgfXL-1720856433537)]
条件生成对抗网络
可以根据条件生成不同的图片
[外链图片转存中…(img-f6pp2n0s-1720856433538)]
————————————————
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
原文链接：https://blog.csdn.net/2301_77337600/article/details/140401078
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
