机器学习
AI 2024/3/24 17:17:09 点击：不统计
<文章来源：www.forasp.cn网站制作学习>
机器智能做的两个事情，运用统计学，
1. 分类，将内容/事物等进行分类。
2. 回归，预测一个判断是否正确
逻辑回归，通过回归，将内容分类。
机器智能所运用的方法
1. 线性回归/逻辑回归
线性函数/数学函数，通过预测进行判断。减少损失（误差）最小，也就是目标函数。
2. K临近，物以类聚，人以群分
相邻属性计算相似度，按相似度比较近的人进行分类
3. 决策树
多条件决策树，决策树是自定义的
4. 支持向量机 向量算法，在平面上跟线性回归看起来一样线性可分(通过一条线划分)；线性不可分，通过增加维度，通过多维函数(核函数)来划分多维度情况下，可以
5. 朴素贝叶斯
通过概率的算法，将内容/事物等进行分类。
比如一系列的属性，将内容和事物进行分类
6. 神经网络
通过多维参数输入，不同的参数不同的权重，根据参数进行判断，根据数据计算，达到某个阈值进行分类。
深度神经网络，通过多层（3层以及以上）的多维参数判断。
实际应用-图像识别
1. 卷积神经网络
通过主要特征进行识别，卷积主要为了提取特征,根据概率判断。
2. 卷积核
一个特征定于一个九宫格（卷积核）， 四周数字为-1，中间为8 ，与 背景数量相乘，求平均数。
根据不同的特征，定义不同的卷积核心
3. 对卷积核结果取最优,并这个就叫池化，进行了数据压缩
4. 多次卷积和池化，得到不同的特征组合，然后根据特征值进行分类判断。
5. 调整卷积核的过程就是调整参数，让特征更准确。
应用：会翻译的AI
1.开始人们需要机器翻译用于战争
（1）开始原理：通过固定单词关系进行翻译。但有语法问题
（2）定义语法规则。但无法解决一词多用，不同词语在不同语境中的意义不一样。
（3） 持续加规则，最终形成了 机器翻译。
2. IBM在90年代出现了基于统计的机器翻译
在大数据量下，通过统计，计算词与词间的关系。但统计与语序语境还是有不匹配的地方。
3. 基于神经网络的翻译
原来的翻译是基于规则的单词关系，机器不知其意义。
神经网络则要通过数据（单词）向量化找到不同的意义。
通过多维（增加维度）向量数据表示单词关系。
维度的产生是通过原始数据统计和分析而来。
通过向量定义词的相似度，相近度。
典型的应用word2vec
4. 解决语言翻译中的关系
（1）找到词的对应关系，即相似度最优
（2）更适配的语言规则，即相近度
5. 翻译向量计算transform
（1）编码器，语言转换向量
中间层，通过编码得到下一个词（未知），通过计算后续层关系找到最优解
（2）解码器，将向量转换为另一种语言
学习总结来源：https://www.bilibili.com/video/BV1LA411f7BX/?p=4&spm_id_from=pageDriver
<%77w%77%2Ef%6F%72p%73%70%2Ec%6E>