給大家分享一些干貨資料，希望能夠幫到你們，需要的請自取。

獲取通道如下

以上教程已經(jīng)打包完畢，希望對你們學(xué)習(xí)有幫助！

文中所展示內(nèi)容獲取方式：

1.一鍵三連+關(guān)注（重點(diǎn)）

2.后臺主動留下痕跡：“學(xué)習(xí)”? i

一、人工智能的發(fā)展現(xiàn)狀

1.1 概念

根據(jù)維基百科的解釋，人工智能是被機(jī)器展示的智力，與人類和其他動物的自然智能相反，在計算機(jī)科學(xué)中 AI 研究被定義為 “代理人軟件程序”：任何能夠感受周圍環(huán)境并且能最大化它成功機(jī)會的設(shè)備。

在這里給大家準(zhǔn)備了一些AI人工智能入門學(xué)習(xí)視頻教程及相關(guān)電子書籍，

以上教程已經(jīng)打包完畢，希望對你們學(xué)習(xí)有幫助！

文中所展示內(nèi)容獲取方式：

1.一鍵三連+關(guān)注（重點(diǎn)）

2.后臺主動留下痕跡：“學(xué)習(xí)”? i

二、人工智能、深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、增強(qiáng)學(xué)習(xí)之間的關(guān)系是怎樣的

如圖所示，人工智能是一個大類，包括專家系統(tǒng)、知識表示、機(jī)器學(xué)習(xí)等等，其中機(jī)器學(xué)習(xí)是目前最火也是發(fā)展最好的一個分支，機(jī)器學(xué)習(xí)中又包括監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、深度學(xué)習(xí)，增強(qiáng)學(xué)習(xí)等等。

監(jiān)督學(xué)習(xí)?，就是人們常說的分類，通過已有的訓(xùn)練樣本（即已知數(shù)據(jù)以及其對應(yīng)的輸出）去訓(xùn)練得到一個最優(yōu)模型（這個模型屬于某個函數(shù)的集合，最優(yōu)則表示在某個評價準(zhǔn)則下是最佳的）。

再利用這個模型將所有的輸入映射為相應(yīng)的輸出，對輸出進(jìn)行簡單的判斷從而實現(xiàn)分類的目的，也就具有了對未知數(shù)據(jù)進(jìn)行分類的能力。

舉例來說，我們上幼兒園的時候經(jīng)常做的一個活動叫 看圖識字 ，如上圖所示，老師會給我們看很多圖片，下面配了文字，時間長了之后，我們大腦中會形成抽象的概念，兩個犄角，一條短尾巴，胖胖的（特征）…

這樣的動物是牛；圓的，黃的，發(fā)光的，掛在天上的 … 是太陽；人長這樣。等再看到類似的東西時我們便能認(rèn)出來，即使跟以前看到的不完全一樣，但是符合在我們大腦中形成的概念，如下圖所示。

非監(jiān)督學(xué)學(xué)習(xí)?則是另一種研究的比較多的學(xué)習(xí)方法，它與監(jiān)督學(xué)習(xí)的不同之處，在于我們事先沒有任何訓(xùn)練樣本，而需要直接對數(shù)據(jù)進(jìn)行建模。

舉個例子，如圖所示，在沒有任何提示（無訓(xùn)練集）的情況下，需要把下列六個圖形分成兩類，你會怎么分呢，當(dāng)然是第一排一類，第二排一類，因為第一排形狀更接近，第二排形狀更接近。

非監(jiān)督學(xué)習(xí)就是在實現(xiàn)不知道數(shù)據(jù)集分類的情況下在數(shù)據(jù)中尋找特征。

深度學(xué)習(xí)?是基于機(jī)器學(xué)習(xí)延伸出來的一個新的領(lǐng)域，由以人大腦結(jié)構(gòu)為啟發(fā)的神經(jīng)網(wǎng)絡(luò)算法為起源加之模型結(jié)構(gòu)深度的增加發(fā)展，并伴隨大數(shù)據(jù)和計算能力的提高而產(chǎn)生的一系列新的算法。

深度學(xué)習(xí)概念由著名科學(xué)家 Geoffrey Hinton 等人在 2006 年和 2007 年在《Sciences》等上發(fā)表的文章被提出和興起。

深度學(xué)習(xí)，作為機(jī)器學(xué)習(xí)中延伸出來的一個領(lǐng)域，被應(yīng)用在圖像處理與計算機(jī)視覺，自然語言處理以及語音識別等領(lǐng)域。

自 2006 年至今，學(xué)術(shù)界和工業(yè)界合作在深度學(xué)習(xí)方面的研究與應(yīng)用在以上領(lǐng)域取得了突破性的進(jìn)展。以 ImageNet 為數(shù)據(jù)庫的經(jīng)典圖像中的物體識別競賽為例，擊敗了所有傳統(tǒng)算法，取得了前所未有的精確度。

增強(qiáng)學(xué)習(xí)?也是機(jī)器學(xué)習(xí)一個重要的分支，是通過觀察來學(xué)習(xí)做成如何的動作。每個動作都會對環(huán)境有所影響，學(xué)習(xí)對象根據(jù)觀察到的周圍環(huán)境的反饋來做出判斷。

三、數(shù)學(xué)基礎(chǔ)有多重要

對于數(shù)學(xué)基礎(chǔ)知識，需要高中數(shù)學(xué)知識加上高數(shù)、線性代數(shù)、統(tǒng)計學(xué)、概率論，即使掌握的不是很完善，但是至少要知道概念，在用到的時候知道去哪查。

四、入門級機(jī)器學(xué)習(xí)算法

4.1 決策樹

判定樹是一個類似于流程圖的樹結(jié)構(gòu)：其中，每個內(nèi)部結(jié)點(diǎn)表示在一個屬性上的測試，每個分支代表一個屬性輸出，而每個樹葉結(jié)點(diǎn)代表類或類分布。樹的最頂層是根結(jié)點(diǎn)。

4.2 最臨近取樣

最臨近取樣就是把已有數(shù)據(jù)分成幾類，對新輸入的數(shù)據(jù)計算與已知數(shù)據(jù)的距離，距離哪一個近，就把新數(shù)據(jù)分到哪一類，例如下圖所示的電影分類，對于最后一行未知電影類型的電影，根據(jù)打斗次數(shù)和接吻次數(shù)，距離浪漫型更近，應(yīng)該被歸類為浪漫型電影。

4.3 支持向量機(jī)

支持向量機(jī)（SVM）是從線性可分情況下的最優(yōu)分類面發(fā)展而來。最優(yōu)分類面就是要求分類線不但能將兩類正確分開 (訓(xùn)練錯誤率為 0), 且使分類間隔最大。

SVM 考慮尋找一個滿足分類要求的超平面 , 并且使訓(xùn)練集中的點(diǎn)距離分類面盡可能的遠(yuǎn) , 也就是尋找一個分類面使它兩側(cè)的空白區(qū)域 (margin) 最大。

這兩類樣本中離分類面最近的點(diǎn)且平行于最優(yōu)分類面的超平面上 H1,H2 的訓(xùn)練樣本就叫做支持向量。

五、書單推薦

• 《數(shù)學(xué)之美》吳軍

• 《機(jī)器學(xué)習(xí)》 周志華

• 《漫談人工智能》 集智俱樂部

• 《機(jī)器學(xué)習(xí)實戰(zhàn)》 Peter Harrington

• 《TensorFlow 技術(shù)解析與實戰(zhàn)》 李嘉璇

• 《統(tǒng)計學(xué)習(xí)方法》 李航

給大家分享一些干貨資料，希望能夠幫到你們，需要的請自取。

獲取通道如下

以上教程已經(jīng)打包完畢，希望對你們學(xué)習(xí)有幫助！

文中所展示內(nèi)容獲取方式：

1.一鍵三連+關(guān)注（重點(diǎn)）

2.后臺主動留下痕跡：“學(xué)習(xí)”? i

好啦，今天的分享就到這里啦，動動手指點(diǎn)個關(guān)注吧！每天不定時分享計算機(jī)編程干貨資料。