人工智能介绍
Posted eyoulc123
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了人工智能介绍相关的知识，希望对你有一定的参考价值。
0 前言
前一段时间，想做一个文本相似性的系统，用于比对两个句子的相似性，因此接触了一下机器学习。其中主要是看李宏毅老师的机器学习视频课程。但是机器学习太过于复杂，对于我来说，我估计还没有入门，只是看到机器学习这个大殿。 这篇文章，是对我之前学习的一个总结，也是我对于机器学习的一个理解。如果大家要系统的学习，建议看一下李宏毅老师的机器学习课程视频。
1. 人工智能几个名词
人工智能是一个很广的词，它包含了机器学习、专家系统等。 但是到了现在，大家一般提到人工智能指的就是神经网络、机器学习了。就象伟人一样，机器学习也经历了“三起三落”：
但是早期的时候，它并不是叫机器学习，而是以神经网络的名号来闯荡江湖。 但是随着XOR的问题提出，也宣判了神经网络的死刑。 在这后面很多年的时候，神经网络这个名声就开始变臭了，它的名声变臭到什么程度呢？只要文章中包含了“神经网络”这一个词，那篇文章就会被拒。 这怎么搞呢？没关系，给它再起一个名字，因此机器学习闪亮出场。
神经网络不是一个很新的技术，它出现的时间很早。 但是有一段时间，神经网络陷入了低谷，在这段时间，这个技术就变臭了，用台大李宏毅老师的话来说：神经网络象变成一个骂人的话，基本一有神经网络这个词，论文就会被拒绝。 后来随着技术的发展，人们发展神经网络还是可以解决很多问题的，但是“神经网络”这个词已经变臭了呀，这个时候人们又发明了一个新的词：机器学习。因此，我们可以这样子理解：机器学习 = 神经网络。
说完了机器学习与神经网络的关系，我们再具体说一下机器学习
2. 机器学习
总体来说，机器学习主要就是解决两个问题，或者说一个问题：回归问题。 对于回归，我不想讲解太多的内容。在这里，我们以一个简单的一元回归的问题，引入我们的分析。
2.1 一元线性回归问题
在我们中学的时候，我们经常会碰到这样子的一个例子。
例：
为了统计某地的房价，统计了平米数与房价
样本 房价（万件） 制造费用（万元） 1 60 100 2 70 120 3 72 121 4 80 140 5 90 160 根据以上数据，计算出产量与制造费用的关系
这个问题，就是一个典型的一元线性回归的问题。我们将制造费用设为y，而产量为x，那么我们就需要求出一个类似于$y = bx + a$的函数，即为：
在中学的时候，我们学过一元线性回归方程的计算公式：
最
小
二
乘
法
计
算
公
式
：
b
^
=
∑
i
=
1
n
(
x
i
−
x
ˉ
)
(
y
i
−
y
ˉ
)
∑
i
=
1
n
(
x
i
−
x
ˉ
)
2
a
^
=
y
ˉ
−
b
^
x
ˉ
\\beginaligned & 最小二乘法计算公式：\\\\ & \\hatb = \\frac\\sum_i=1^n(x_i-\\barx)(y_i-\\bary)\\sum_i=1^n(x_i-\\barx)^2 \\\\ & \\hata = \\bary - \\hatb\\barx \\endaligned
最小二乘法计算公式：b^=∑i=1n(xi−xˉ)2∑i=1n(xi−xˉ)(yi−yˉ)a^=yˉ−b^xˉ
那么上面的结果我们就可这样子计算出来：
- 计算平均值
x
ˉ
=
60
+
70
+
72
+
80
+
90
5
=
74.4
y
ˉ
=
100
+
120
+
121
+
140
+
160
5
=
128.2
\\beginaligned & \\barx = \\frac60+70+72+80+905 = 74.4 \\\\ & \\bary = \\frac100+120+121+140+1605 = 128.2 \\endaligned
xˉ=560+70+72+80+90=74.4yˉ=5100+120+121+140+160=128.2
3. 带入
b
ˉ
\\barb
bˉ公式计算
b
^
=
(
60
−
74.4
)
(
100
−
128.2
)
+
(
70
−
74.3
)
(
120
−
128.2
)
+
(
72
−
74.4
)
(
121
−
128.2
)
+
(
80
−
74.4
)
(
140
−
128.2
)
+
(
90
−
74.4
)
(
160
−
128.2
)
(
60
−
74.4
)
2
+
(
70
−
74.3
)
2
+
(
72
−
74.4
)
2
+
(
80
−
74.4
)
2
+
(
90
−
74.4
)
2
=
2.014
\\hatb = \\frac(60-74.4)(100-128.2) + (70-74.3)(120-128.2) + (72-74.4)(121-128.2)+ (80-74.4)(140-128.2) + (90-74.4)(160-128.2)(60-74.4)^2 + (70-74.3)^2 + (72-74.4)^2 + (80-74.4)^2 +(90-74.4)^2 = 2.014
b^=(60−74.4)2+(70−74.3)2+(72−74.4)2+(80−74.4)2+(90−74.4)2(60−74.4)(100−128.2)+(70−74.3)(120−128.2)+(72−74.4)(121−128.2)+(80−74.4)(140−128.2)+(90−74.4)(160−128.2)=2.014
4. 计算
a
ˉ
\\bara
aˉ：
a ˉ = y ˉ − b ^ x ˉ = 128.2 − 2.014 ∗ 74.4 = − 21.641 \\bara = \\bary - \\hatb\\barx = 128.2- 2.014*74.4 = -21.641 aˉ=yˉ−b^xˉ=128.2−2.014∗74.4=−21.641
- 写出方程： y ^ = 2.014 x ^ − 21.641 \\haty = 2.014\\hatx -21.641 y^=2.014x^−21.641
这个计算过程，是我们以前的方法，但是对于从事计算机的人员来说，这种优雅的方式，不是我们的风格。我们崇尚的“暴力出奇迹”，充分利用计算机的计算能力，随便给定一个a和b，然后不断的逼近它，使得它们的值最小。例如我让a = 1, b =1,然后，我们看结果：
从上面的图中，我们就可以看到a和b的值不合理，我们需要将整条直接往上移一下，然后尝试改变a的值，同时斜率也感觉不符合相求，最后不断的变化，直接到找到一个符合我们要求的值。
至我们如何判断a与b的值是否合适，这里就涉及到一个处理方式：梯度下降的方法。大家只需要知道，有一个固定的方法，通过这个固定的方法，我们可以知道对应的a与b是往大调，还是往小调。 通过这种方法，我们不断的逼近我们的散点。最终得到一个符合我们要求的方式。
最终的函数，我们可以得到一个，当我们输入的x = 5时，我们就会发现一个问题 房价为-1.5，房价不可能为负值。因此一般在最后的输出的时候，增加一个修改函数。 整体就变成了：
其实这个修改函数，有一个专业的名词：激活函数（不知道它为啥叫激活函数，但是我一直感觉它的作用就是对结果值进行修正。后面我们也称它为激活函数）。常用的也只有几个。一个叫ReLU函数，一个是Sigmod函数。 下面是它们两个的函数图形。如果懒得看，可以直接跳过。 我们只需要记住，它们的作用就是对于预测函数的数值进行一个修改，让它更靠谱一些。
ReLU函数：
Sigmod函数：
在上面的那个例子中，我们只有一个输入，就是房子的大小，即平米数。但是我们都知道房价并不只是与大小相关，还与位置、房型相关等其它因素相关。因此我们还需要将这些东西。我们假设位置为变量x1, 房型为x2参数，而每一种因素，我们都可以表示成一个类似于$y=bx +a$形式的方程，那么房价表示，可能就需要为：
总
房
价
=
(
房
屋
大
小
因
素
x
)
+
(
位
置
因
素
x
1
)
+
(
房
型
x
2
)
y
=
(
b
x
+
a
)
+
(
b
1
x
1
+
a
1
)
+
(
b
2
x
2
+
a
2
)
总房价 = (房屋大小因素x) + (位置因素 x1) + (房型 x2) \\\\ y = (bx + a) + (b_1x_1 +a_1) + (b_2x_2 + a_2)
总房价=(房屋大小因素x)+(位置因素x1)+(房型x2)y=(bx+a)+(b1x1+a1)+(b2x2 以上是关于人工智能介绍的主要内容，如果未能解决你的问题，请参考以下文章