日韩黑丝制服一区视频播放|日韩欧美人妻丝袜视频在线观看|九九影院一级蜜桃|亚洲中文在线导航|青草草视频在线观看|婷婷五月色伊人网站|日本一区二区在线|国产AV一二三四区毛片|正在播放久草视频|亚洲色图精品一区

分享

詳解人工智能及12種機器學**算法

 zhaishou2011 2017-02-13

機器學**常見算法分類匯總

 

  機器學**無疑是當前數據分析領域的一個熱點內容。很多人在平時的工作中都或多或少會用到機器學**的算法。這里IT經理網為您總結一下常見的機器學**算法,以供您在工作和學**中參考。

  機器學**的算法很多。很多時候困惑人們都是,很多算法是一類算法,而有些算法又是從其他算法中延伸出來的。這里,我們從兩個方面來給大家介紹,第一個方面是學**的方式,第二個方面是算法的類似性。

  學**方式

  根據數據類型的不同,對一個問題的建模有不同的方式。在機器學**或者人工智能領域,人們首先會考慮算法的學**方式。在機器學**領域,有幾種主要的學**方式。將算法按照學**方式分類是一個不錯的想法,這樣可以讓人們在建模和算法選擇的時候考慮能根據輸入數據來選擇最合適的算法來獲得最好的結果。

  監(jiān)督式學**:

  

 

  在監(jiān)督式學**下,輸入數據被稱為“訓練數據”,每組訓練數據有一個明確的標識或結果,如對防垃圾郵件系統(tǒng)中“垃圾郵件”“非垃圾郵件”,對手寫數字識別中的“1“,”2“,”3“,”4“等。在建立預測模型的時候,監(jiān)督式學**建立一個學**過程,將預測結果與“訓練數據”的實際結果進行比較,不斷的調整預測模型,直到模型的預測結果達到一個預期的準確率。監(jiān)督式學**的常見應用場景如分類問題和回歸問題。常見算法有邏輯回歸(Logistic Regression)和反向傳遞神經網絡(Back Propagation Neural Network)

  非監(jiān)督式學**:

  

 

  在非監(jiān)督式學**中,數據并不被特別標識,學**模型是為了推斷出數據的一些內在結構。常見的應用場景包括關聯規(guī)則的學**以及聚類等。常見算法包括Apriori算法以及k-Means算法。

  半監(jiān)督式學**:

  

 

  在此學**方式下,輸入數據部分被標識,部分沒有被標識,這種學**模型可以用來進行預測,但是模型首先需要學**數據的內在結構以便合理的組織數據來進行預測。應用場景包括分類和回歸,算法包括一些對常用監(jiān)督式學**算法的延伸,這些算法首先試圖對未標識數據進行建模,在此基礎上再對標識的數據進行預測。如圖論推理算法(Graph Inference)或者拉普拉斯支持向量機(Laplacian SVM.)等。

  強化學**:

  

 

  在這種學**模式下,輸入數據作為對模型的反饋,不像監(jiān)督模型那樣,輸入數據僅僅是作為一個檢查模型對錯的方式,在強化學**下,輸入數據直接反饋到模型,模型必須對此立刻作出調整。常見的應用場景包括動態(tài)系統(tǒng)以及機器人控制等。常見算法包括Q-Learning以及時間差學**(Temporal difference learning)

  在企業(yè)數據應用的場景下, 人們最常用的可能就是監(jiān)督式學**和非監(jiān)督式學**的模型。 在圖像識別等領域,由于存在大量的非標識的數據和少量的可標識數據, 目前半監(jiān)督式學**是一個很熱的話題。 而強化學**更多的應用在機器人控制及其他需要進行系統(tǒng)控制的領域。

  算法類似性

  根據算法的功能和形式的類似性,我們可以把算法分類,比如說基于樹的算法,基于神經網絡的算法等等。當然,機器學**的范圍非常龐大,有些算法很難明確歸類到某一類。而對于有些分類來說,同一分類的算法可以針對不同類型的問題。這里,我們盡量把常用的算法按照最容易理解的方式進行分類。

 

 回歸算法:

  

 

  回歸算法是試圖采用對誤差的衡量來探索變量之間的關系的一類算法。回歸算法是統(tǒng)計機器學**的利器。在機器學**領域,人們說起回歸,有時候是指一類問題,有時候是指一類算法,這一點常常會使初學者有所困惑。常見的回歸算法包括:最小二乘法(Ordinary Least Square),邏輯回歸(Logistic Regression),逐步式回歸(Stepwise Regression),多元自適應回歸樣條(Multivariate Adaptive Regression Splines)以及本地散點平滑估計(Locally Estimated Scatterplot Smoothing)

  基于實例的算法

  

 

  基于實例的算法常常用來對決策問題建立模型,這樣的模型常常先選取一批樣本數據,然后根據某些近似性把新數據與樣本數據進行比較。通過這種方式來尋找最佳的匹配。因此,基于實例的算法常常也被稱為“贏家通吃”學**或者“基于記憶的學**”。常見的算法包括 k-Nearest Neighbor(KNN), 學**矢量量化(Learning Vector Quantization, LVQ),以及自組織映射算法(Self-Organizing Map , SOM)

  正則化方法

  

 

  正則化方法是其他算法(通常是回歸算法)的延伸,根據算法的復雜度對算法進行調整。正則化方法通常對簡單模型予以獎勵而對復雜算法予以懲罰。常見的算法包括:Ridge Regression, Least Absolute Shrinkage and Selection Operator(LASSO),以及彈性網絡(Elastic Net)。

  決策樹學**

  

 

  決策樹算法根據數據的屬性采用樹狀結構建立決策模型, 決策樹模型常常用來解決分類和回歸問題。常見的算法包括:分類及回歸樹(Classification And Regression Tree, CART), ID3 (Iterative Dichotomiser 3), C4.5, Chi-squared Automatic Interaction Detection(CHAID), Decision Stump, 隨機森林(Random Forest), 多元自適應回歸樣條(MARS)以及梯度推進機(Gradient Boosting Machine, GBM)

  貝葉斯方法

  

 

  貝葉斯方法算法是基于貝葉斯定理的一類算法,主要用來解決分類和回歸問題。常見算法包括:樸素貝葉斯算法,平均單依賴估計(Averaged One-Dependence Estimators, AODE),以及Bayesian Belief Network(BBN)。

  基于核的算法

  

 

  基于核的算法中最著名的莫過于支持向量機(SVM)了。 基于核的算法把輸入數據映射到一個高階的向量空間, 在這些高階向量空間里, 有些分類或者回歸問題能夠更容易的解決。 常見的基于核的算法包括:支持向量機(Support Vector Machine, SVM), 徑向基函數(Radial Basis Function ,RBF), 以及線性判別分析(Linear Discriminate Analysis ,LDA)等

  聚類算法

  

 

  聚類,就像回歸一樣,有時候人們描述的是一類問題,有時候描述的是一類算法。聚類算法通常按照中心點或者分層的方式對輸入數據進行歸并。所以的聚類算法都試圖找到數據的內在結構,以便按照最大的共同點將數據進行歸類。常見的聚類算法包括 k-Means算法以及期望最大化算法(Expectation Maximization, EM)。

  關聯規(guī)則學**

  

 

  關聯規(guī)則學**通過尋找最能夠解釋數據變量之間關系的規(guī)則,來找出大量多元數據集中有用的關聯規(guī)則。常見算法包括 Apriori算法和Eclat算法等。

  人工神經網絡

  

 

  人工神經網絡算法模擬生物神經網絡,是一類模式匹配算法。通常用于解決分類和回歸問題。人工神經網絡是機器學**的一個龐大的分支,有幾百種不同的算法。(其中深度學**就是其中的一類算法,我們會單獨討論),重要的人工神經網絡算法包括:感知器神經網絡(Perceptron Neural Network), 反向傳遞(Back Propagation), Hopfield網絡,自組織映射(Self-Organizing Map, SOM)。學**矢量量化(Learning Vector Quantization, LVQ)

  深度學**

  

 

  深度學**算法是對人工神經網絡的發(fā)展。 在近期贏得了很多關注, 特別是百度也開始發(fā)力深度學**后, 更是在國內引起了很多關注。 在計算能力變得日益廉價的今天,深度學**試圖建立大得多也復雜得多的神經網絡。很多深度學**的算法是半監(jiān)督式學**算法,用來處理存在少量未標識數據的大數據集。常見的深度學**算法包括:受限波爾茲曼機(Restricted Boltzmann Machine, RBN), Deep Belief Networks(DBN),卷積網絡(Convolutional Network), 堆棧式自動編碼器(Stacked Auto-encoders)。

  降低維度算法

  

 

  像聚類算法一樣,降低維度算法試圖分析數據的內在結構,不過降低維度算法是以非監(jiān)督學**的方式試圖利用較少的信息來歸納或者解釋數據。這類算法可以用于高維數據的可視化或者用來簡化數據以便監(jiān)督式學**使用。常見的算法包括:主成份分析(Principle Component Analysis, PCA),偏最小二乘回歸(Partial Least Square Regression,PLS), Sammon映射,多維尺度(Multi-Dimensional Scaling, MDS), 投影追蹤(Projection Pursuit)等。

  集成算法:

  

 

 

  集成算法用一些相對較弱的學**模型獨立地就同樣的樣本進行訓練,然后把結果整合起來進行整體預測。集成算法的主要難點在于究竟集成哪些獨立的較弱的學**模型以及如何把學**結果整合起來。這是一類非常強大的算法,同時也非常流行。常見的算法包括:Boosting, Bootstrapped Aggregation(Bagging), AdaBoost,堆疊泛化(Stacked Generalization, Blending),梯度推進機(Gradient Boosting Machine, GBM),隨機森林(Random Forest)。

人工智能、深度學**、機器視覺,你需要弄清的概念

  人工智能的概念提出已經很多年,但最近一次大熱是在“人機大戰(zhàn)”戰(zhàn)勝世界圍棋高手李世石的AlphaGo。同樣,深度學**和機器視覺的概念也頻頻出現在我們的視野當中,那么什么是人工智能?什么是深度學**、機器視覺,它們是如何應用在安防領域中?三者之間存在什么樣的聯系?以下將為您一一解答。


  人工智能的概念提出已經很多年,但最近一次大熱是在“人機大戰(zhàn)”戰(zhàn)勝世界圍棋高手李世石的AlphaGo。同樣,深度學**和機器視覺的概念也頻頻出現在我們的視野當中,那么什么是人工智能?什么是深度學**、機器視覺,它們是如何應用在安防領域中?三者之間存在什么樣的聯系?以下將為您一一解答。

人工智能

  人工智能是計算機科學的一個分支,它企圖了解智能的實質,并生產出一種新的能以人類智能相似的方式做出反應的智能機器,該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。

  

 

  總的說來,人工智能是研究人類智能活動的規(guī)律,構造具有一定智能的人工系統(tǒng),研究如何讓計算機去完成以往需要人的智力才能勝任的工作,也就是研究如何應用計算機的軟硬件來模擬人類某些智能行為的基本理論、方法和技術。

深度學**

  深度學**是機器學**研究中的一個新的領域,其動機在于建立、模擬人腦進行分析學**的神經網絡,它模仿人腦的機制來解釋數據,例如圖像,聲音和文本。

  

 

  在安防領域的應用

  讓深度學**能夠如此大行其道的關鍵要素是數據,而占大數據總量60%以上的為視頻監(jiān)控數據,與此同時,視頻監(jiān)控領域的70%以上的數據分析是用來進行圖像識別。

  深度學**的在安防行業(yè)的方方面面得到了應用:人臉檢測、車輛檢測、非機動車檢測、人臉識別、車輛品牌識別、行人檢索、車輛檢測、人體屬性、異常人臉檢測、人群行為分析、各種感興趣目標的跟蹤……

  深度學**算法不是簡單地接收數據,它在吸收原有數據的基礎上,能夠增量式地提升模型的性能,給予數據的選擇過程一種反饋——形成一種數據選擇機制,能夠分辨哪種類型的數據有助于持續(xù)提升模型性能,哪種類型的數據則是毫無幫助的——從而最終形成一種良性循環(huán)體系。

機器視覺

  機器視覺是人工智能正在快速發(fā)展的一個分支。簡單說來,機器視覺就是用機器代替人眼來做測量和判斷。機器視覺系統(tǒng)是通過機器視覺產品(即圖像攝取裝置,分CMOS和CCD兩種)將被攝取目標轉換成圖像信號,傳送給專用的圖像處理系統(tǒng),得到被攝目標的形態(tài)信息,根據像素分布和亮度、顏色等信息,轉變成數字化信號;圖像系統(tǒng)對這些信號進行各種運算來抽取目標的特征,進而根據判別的結果來控制現場的設備動作。

  

 

安防領域的應用

  由于機器視覺主要是對圖像進行識別,因此機器視覺在人臉識別、車牌識別等方面得到大量運用。以智能交通行業(yè)為例,機器視覺具有成本低、穩(wěn)定性強、準確性高、應用范圍廣等優(yōu)點,目前已經在國內外高速公路和公路的交通監(jiān)控系統(tǒng)中得到了廣泛的應用,具體體現在車牌識別、車身顏色識別、車型識別、違章識別、車流量統(tǒng)計、流量控制等。

  人工智能是計算機學科的一個分支,深度學**、機器視覺是機器學**研究中的一個領域。深度學**和機器視覺主要是針對圖形進行更深層次的挖掘和分析,是人工智能的實際應用。而人工智能除了對圖形的處理外,還包括對語音、運動、社交等方面的處理和控制。

    本站是提供個人知識管理的網絡存儲空間,所有內容均由用戶發(fā)布,不代表本站觀點。請注意甄別內容中的聯系方式、誘導購買等信息,謹防詐騙。如發(fā)現有害或侵權內容,請點擊一鍵舉報。
    轉藏 分享 獻花(0

    0條評論

    發(fā)表

    請遵守用戶 評論公約

    類似文章 更多