一、人工智能常见流程人工智能就是拟人二、人工智能基本概念不同的学习方式1、监督学习和无监督学习2、强化学习通过智能体和环境进行交互使智能体变得越来越聪明这个智能体会采取相对应的行为这个行为就会对环境造成改变智能体受到环境的反馈从而使得智能体不断调整策略使得智能体变得更加聪明总的来说强化学习就是让智能体通过跟环境进行互动然后不断的来去学习调整策略的这么一个过程各种算法机器学习VS深度学习最主要的区别就是机器学习是人为的去实现这个特征抽取的过程而深度学习他是机器自动的进行特征的抽取和转化为了最终可以预测识别的更准确就是相对于机器学习来说更加的智能深度学习对于机器学习的优势###端到端优化 完全实现从数据输入到结果输出的全流程自动化如Azure AutoML的端到端实验管理 ###智能特征转换 通过深度神经网络如TabTransformer自适应学习数据特征较传统特征工程效率提升40%有监督机器学习的种类无监督机器学习的种类三、从线性回归开始连续值与离散值简单线性回归最优解白话解释拿下述O型零件数据举个栗子用预测的函数y^ab*x尽可能穿过我们已知的点但是我们点的位置实际上是固定不变的。所以那也就意味着我们这里面的y实际上它是不变的那变化的是预测模型的a和b。随着你的a和b变化是这个地方的y^ 就是我们的预测的值用我们一开始就不变的拿到手的这个真实的y与预测值y^一减就是误差那也就是说用我们的这个预测值和真实值它俩之间的差异可以当成是这个误差它误差error就是指的是预测值和真实值的一个差异O。那这个最优解是什么呢最优解当然是想使得我们这个地方的误差越小越好最优解由来的引入那这个地方就会有一个问题就是那这个误差是不是直接我们用y^-y就可以了当做这个误差呢事实上并非如此我们在现实情况下会有多个样本点。如果你是一个点的话啊如果你是这一个样本点的话那这一个样本点到这个你所对应求解出的某个模型(就是下图中对应的蓝色实线)它的一个距离那事实上这是一个样本点的误差那如果你有多个样本点那事实上这个地方的误差就得给它综合在一起来计算就得给它综合在一起来计算。所以在这里面呢是让我们会有一个综合在一起的一个误差我们叫做整体的误差叫做Loss.那Loss呢我们翻译成中文叫做损失那我们会通过某种Loss function。我们会通过某种Loss function损失函数然后来把刚才咱们说提到的这个整体的误差呢给它求解出来。事实上Loss function需要严格的数学证明和推导而不是想当然的把所有样本点的误差(error)加到一起。这个东西详细的推导过程我们在后面会再去讲。Loss函数的影响因素的推导我们的Loss函数的值事实上是跟这个y和y^有关系的这点毋庸置疑。那它也等价于它和真实的x还有你的参数a和b实际上是有关系的那这个东西又等价于什么呢因为我们的x和y是你开始有拿到手的数据那这个数据是不管你的a和b如何来变化实际上这里面x与y的值实际上它都是不变的所以实际上我们的Loss function所对应的值它实际上只和你的参数a和b相关那也就是说我们要调整a和b。然后在调整过程当中去找到这个Loss最小的那个时候。找到了最小那一时刻所定的a和b就是我们的最优解Loss函数(MSE):这个loss function我们往往称之为叫MSE那公式怎么来写呢这个mse实际上就是我们真实的y每一条样本真实的y减去每条样本的y^。那事实上这个i代表某一条样本,那它们一个平方再来进行一个加和。加和从第一条样本因为你要考虑一个整体的损失嘛从第一条样本到第m条样本然后再去求一个平均。所以如果对于我们的线性回归来说那我们整体损失Loss function就是这样子的。这个式子不是凭空想出来的而是通过严格的数学逻辑推导出来的至于推导过程后续会讲。