人工智能到底是学些啥？

Posted 2023-03-17

从大的技术层面来看，人工智能的知识体系主要涉及到六个大的学习方向，包括自然语言处理、计算机视觉、机器学习（深度学习）、自动推理、知识表示和机器人学，这些方向各有体系且联系紧密。

人工智能是典型的交叉学科，涉及到数学、哲学、控制学、计算机、经济学、神经学和语言学等学科，同时学习人工智能还需要具有一定的实验环境，对于数据、算力和算法都有一定的要求，所以当前人工智能领域的人才培养依然以研究生教育为主。

简介

对于初学者来说，如果想入门人工智能领域，可以从机器学习入手，一方面机器学习的知识体系相对比较容易理解，另一方面机器学习的应用场景也比较多，机器学习也是大数据分析的两种常见方式之一。

机器学习的步骤涉及到数据收集、算法设计、算法实现、算法训练、算法验证和算法应用，这个过程需要学习编程语言、数据整理和算法设计这三大块内容。

编程语言可以从Python语言开始学起，目前Python语言在机器学习领域的应用也比较普遍，有大量的案例可以参考。在学习的初期完全可以采用一些公开的数据集，这样也方便做结果对比，而算法可以从基础的常见算法入手，比如决策树、朴素贝叶斯、支持向量机等等。

参考技术A 决策树算法

决策树是一个利用树状的图形结构来为已知的需求提供相应决策方案的工具。

ID3算法是生成决策树的一种常用算法，通过计算混合物体依据某个判断条件进行分类后的信息增益，选择其中信息增益最大的那个作为本次分类的判断条件。

信息增益是以某个判断条件对物体进行划分前后的熵的差值。熵可以表示物体之间混合的混乱程度，熵越大，对物体进行分类的不确定性就越大。因此可以使用划分前后熵的差值来衡量使用当前判断条件对于混合物体划分效果的好坏。划分前混合物体的熵是一定的，可以用entroy(前)表示，使用某个判断条件划分混合物体，计算划分后的剩余物体的熵 entroy(后)，从而得到：
信息增益 = entroy(前) - entroy(后)。

信息增益越大，代表使用当前的分类条件，可以使系统的熵越小，也就是不确定性越小，从而使接下来分类变得更容易。因此，每次选择分类条件的依据就是判断以当前分类条件分类后，信息增益是否是最大的。如果是，那么它就是当前最优的判断条件。