机器学习从入门到入职:用sklearn与keras搭建人工智能模型 - (EPUB全文下载)
文件大小:0.3 mb。
文件格式:epub 格式。
书籍内容:
机器学习从入门到入职:用sklearn与keras搭建人工智能模型
第1章 机器学习概述
第2章 机器学习的准备工作
第3章 Sklearn概述
第4章 Sklearn之数据预处理
第5章 Sklearn之建立模型(上)
第6章 Sklearn之建立模型(下)
第7章 Sklearn之模型优化
第8章 Keras主要API及架构介绍
第9章 一个神经网络的迭代优化
第10章 卷积神经网络
第11章 生成性对抗网络
第12章 循环神经网络
第13章 机器学习的入职准备
第1章 机器学习概述
本章主要对机器学习的基本内容进行简单介绍。
什么是机器学习(Machine Learning,ML)?当大家学习人工智能(Artificial Intelligence,AI)技术时,会发现存在各种各样的“学习”,如深度学习、强化学习、机器学习、监督学习、集成学习等。这些“学习”摆在人们面前的时候,不由得让人产生一种迷茫感,这些学习有一些相互重合的地方,有一些又是单独的学科。有志从事人工智能行业或者对人工智能感兴趣的朋友,可以从厘清这些“学习”的概念开始。
在了解机器学习的定义之后,可以进一步了解机器学习的发展历程,从而对这门学科的发展演进脉络有一个大致的了解,这对把握人工智能的发展趋势具有一定的指导作用。
最后,读者还需要了解机器学习存在哪些商业应用,以及机器学习可能的发展趋势。由此,读者可以自行判断诸如以下问题。
·人工智能是否仅仅是一个风口?
·还有哪些应用场景没有被挖掘出来?
·什么样的工作将来会被人工智能取代?
1.1 什么是机器学习
首先需要了解什么是人工智能。人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
人工智能所包含的类目很多,其中包括但不限于诸如计划调度、专家系统、推荐系统等学科,其中机器学习就是人工智能中比较重要的学科之一(见图1-1)。
图1-1 人工智能与机器学习的关系
机器学习,使用算法解析数据并从中学习,然后对真实世界中的事件做出决策和预测。与传统的用于解决特定任务、硬编码的软件程序不同,机器学习用大量的数据“训练”,并通过各种算法从数据中学习如何完成任务。如图1-1所示,之前所提到的监督学习、深度学习、强化学习等内容,实际上都属于机器学习的一个子类目,它们之间的算法并不是相互独立、相互排斥的,而是多门学科的交汇,都是基于特定的场景、任务及实现途径划分的。
机器学习来源于早期的人工智能领域,传统的算法包括决策树(Decision Tree)、聚类、分类、支持向量机(Support Vector Machine,SVM)、集成学习(Ensemble Learning)等。关于这些算法的详细内容会在第5章至第7章详细介绍。
根据学习数据源性质,机器学习算法可以分为监督学习(如分类问题)、无监督学习(如聚类问题)、半监督学习,它们之间的区别在于样本是否被标记(存在标签)。如果学习样本存在明确的类目或者对应的数值,则该学习为监督学习;如果样本不存在标签,则为无监督学习;半监督学习则介于两者之间,学习样本的标签不完整。
深度学习(Deep Learning)专门用于指定深度神经网络,是利用深度神经网络解决特征表达的一种学习过程。深度神经网络本身并不是一个全新的概念,可大致理解为包含多个隐含层的神经网络结构。为了提高深度神经网络的训练效果,人们对神经元的连接方法和激活函数(Activation Function)等方面做出相应的调整。
而深度学习在大多数场景中存在于监督学习。当然,随着深度神经网络模型的发展,也出现了无监督模型。2012年6月,由谷歌人工智能专家吴恩达主导的“猫实验”项目就是对无监督学习的一次探索。在该项目中,谷歌大脑(Google Brain)开发的一个大规模神经网络,通过学习1000万张未标记动物图片,最终能够分辨出猫。深度学习的详细内容将在第8章至第13章进行介绍。
强化学习(Reinforcement Learning)同样是机器学习的一个分支,其主要任务不仅在于认知识别,还是强调如何基于环境而行动,以取得最大化的预期奖励。强化学习通常包括状态(Status)、奖励(Rewards)及行为(Action),其运行机制如图1-2所示。
图1-2 强化学习的运行机制
具体过程大致如下:①代理通过识别环境,判断当前状态;②根据经验触发相应的行为;③每个行为触发相应的奖励,并改变相应的状态。上述步骤重复循环,直到完成既定目标。
关于强化学习的内容,本书暂不做介绍。
1.2 人工智能的发展趋势
1.2.1 人工智能的发展程度
按照发展程度不同,人工智能可分为弱人工智能(Artificial Narrow Intelligence)、强人工智能(Artificial General Intelligence)及超人工智能(Artificial Super Intelligence)。
弱人工智能只专注于完成某个特定的任务,如语音识别、图像识别和翻译,是擅长单个方面的人工智能。也就是说,弱人工智能通常用于解决特定的具体类的任务问题,并且大都是统计数据,以此从中归纳出模型。
强人工智能属于人类级别的人工智能,在各方面都能和人类比肩,人类能干的脑力活它通常也能胜任。强人工智能能够进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作,使人工智能在无监督学习的情况下处理前所未见的细节,并且能够同时与人类开展交互式学习。在强人工智能阶段,由于已经可以比肩人类,同时具备“人格”的基本条件,所以机器可以像人类一样独立思考和决策;而在智能集群出现之后,人工智能或许具有“道德性”,根据心理学理论,道德是具有社会性的。
超人工智能在很多领域都比最聪明的人类大脑都聪明很多,包括科学创新、通识和社交技能,等等。在超人工智能阶段,人工智能已经跨过“奇点”,其计算和 ............
以上为书籍内容预览,如需阅读全文内容请下载EPUB源文件,祝您阅读愉快。
书云 Open E-Library » 机器学习从入门到入职:用sklearn与keras搭建人工智能模型 - (EPUB全文下载)