機器學習和演算法

keke001發表於2018-01-09
機器學習演算法

Deeplearning Algorithms tutorial

github 地址

最近以來一直在學習機器學習和演算法，然後自己就在不斷總結和寫筆記，記錄下自己的學習 AI 與演算法歷程。 機器學習 (Machine Learning, ML) 是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、演算法複雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的效能。

  • 機器學習是電腦科學的一個子領域，在人工智慧領域，機器學習逐漸發展成模式識別和計算科學理論的研究。
  • 機器學習：多領域交叉學科，涉及概率論統計學，逼近論，凸分析，演算法複雜度理論等多門學科。
  • 機器學習的應用：語音識別，自動駕駛，語言翻譯，計算機視覺，推薦系統，無人機，識別垃圾郵件，人臉識別，電商推薦系統。
  • 機器學習的基本概念：訓練集，測試集，特徵值，監督學習，非監督學習，分類，迴歸

目前國內在 AI 感知層面應用已經百花齊放，主要是無人駕駛、智慧音響、嵌入式。但在認知層面還是比較缺乏，所以新入行的 AI 應用團隊可以放在認知層。如開頭所述，認知層最重要的是演算法，因此需要閱讀 Nature 上最領先的演算法公司 DeepMind 的幾篇大作，如下：

  • 2016.01.Mastering the game of Go with deep neural networks and tree search
  • 2016.10.Hybrid computing using a neural network with dynamic external memory
  • 2017.10.Mastering the game of Go without human knowledge

機器學習步驟框架

  • 把資料拆分為訓練集合測試集
  • 用訓練集合訓練集的特徵向量來訓練演算法
  • 用學習來的演算法運用在測試集上累評估演算法 (可能要設計到調整引數 (parameter tuning) 用來驗證集 (validation set))

深度學習

深度學習：深度學習是基於機器學習延伸出來的一個新的領域，由以人大腦結構為啟發的神經網路演算法為起源加之模型結構深度的增加發展，並伴隨大資料和計算能力的提高而產生的一系列新的演算法。 深度學習的方向：被應用在影像處理與計算機視覺，自然語言處理以及語音識別等領域。

機器學習演算法概覽

從 2016 年起，機器學習有了新的突破和發展。但是，有效的機器學習是困難的，因為機器學習本身就是一個交叉學科，沒有科學的方法及一定的積累很難入門。 從2017年10月19日，Nature 上發表了新一代 AlphaGo 版本 AlphaGo Zero 的技術論文。指出一種僅基於強化學習的演算法，AlphaGo Zero 不使用人類的資料、指導或規則以外的領域知識成了自己的老師。DeepMind 代表了目前人工智慧領域最強的技術，其核心是兩個字：演算法。 很多人都想成為一個 AI 開發者，不僅是因為 AI 開發的薪資高，更主要是因為 AI 這幾年的快速發展,但是因為 AI 本身的門檻就比較高,很多人可能就會比較徘徊，因而想把自己學習 AI 的過程寫成本書,供大家參考和學習！

機器學習的基礎

  • 機器學習需要的理論基礎：數學，線性代數，數理統計，概率論，高等數學、凸優化理論，形式邏輯等

參考書籍

更多原創文章乾貨分享，請關注公眾號
  • 機器學習和演算法
  • 加微信實戰群請加微信(註明:實戰群)：gocnio

相關文章