




已閱讀5頁,還剩14頁未讀, 繼續(xù)免費閱讀
版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
人工智能之機器學(xué)習(xí)常見算法標(biāo)簽:人工智能機器學(xué)習(xí)算法數(shù)據(jù)分析2016-05-22 15:4719949人閱讀評論(0)收藏舉報版權(quán)聲明:本文為博主原創(chuàng)文章,未經(jīng)博主允許不得轉(zhuǎn)載。目錄(?)+摘要算法概述之前一直對機器學(xué)習(xí)很感興趣,一直沒時間去研究,今天剛好是周末,有時間去各大技術(shù)論壇看看,剛好看到一篇關(guān)于機器學(xué)習(xí)不錯的文章,在這里就分享給大家了.機器學(xué)習(xí)無疑是當(dāng)前數(shù)據(jù)分析領(lǐng)域的一個熱點內(nèi)容。很多人在平時的工作中都或多或少會用到機器學(xué)習(xí)的算法。這里IT經(jīng)理網(wǎng)為您總結(jié)一下常見的機器學(xué)習(xí)算法,以供您在工作和學(xué)習(xí)中參考。機器學(xué)習(xí)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(xué)習(xí)的方式,第二個方面是算法的類似性。算法分析算法已經(jīng)成為我們?nèi)粘I畹囊粋€重要組成部分,它們幾乎出現(xiàn)在商業(yè)的任何領(lǐng)域。調(diào)查公司 Gartner 稱這種現(xiàn)象為算法化商業(yè),算法化商業(yè)正在改變我們經(jīng)營和管理公司(應(yīng)有的)的方式?,F(xiàn)在,你可以在算法市場上買到這些適用于各個商業(yè)領(lǐng)域的多種算法。算法市場為開發(fā)者提供了包括聲音和視覺處理、機器學(xué)習(xí)以及計算機視覺等領(lǐng)域在內(nèi)的超過800種算法,這些成熟的算法幫助開發(fā)者節(jié)省寶貴的時間與金錢。然而,算法市場上可用的算法可能并不符合你的特定需求。畢竟,你需要不同的算法來應(yīng)付不同的情況,而相同的算法在不同環(huán)境也會產(chǎn)生不同的結(jié)果。事實上,可用的算法類型和它的執(zhí)行方式是由很多不同的變量決定的。這些變量包括數(shù)據(jù)的規(guī)模和類別、應(yīng)用算法的行業(yè)、用來執(zhí)行的功能等多種情況。因此,有時購買一個現(xiàn)成的算法并稍作修改可能不是最佳選擇。數(shù)據(jù)科學(xué)家還是應(yīng)該學(xué)習(xí)最重要的算法;學(xué)習(xí)如何開發(fā)這些算法,又如何根據(jù)意圖選取最合適的算法?Think Big Data發(fā)布的信息圖展示了 12 種實現(xiàn)不同應(yīng)用目的的最重要的算法,想必這肯定是每個數(shù)據(jù)科學(xué)家都喜聞樂見的。注:漢化信息圖中的中文翻譯參考了網(wǎng)絡(luò)以及周志華老師機器學(xué)習(xí)一書中的名詞翻譯。為了不影響讀者的閱讀,中文、英文版信息圖都附于文中。中文版信息圖:原英文信息圖機器學(xué)習(xí)常見算法分類匯總學(xué)習(xí)方式根據(jù)數(shù)據(jù)類型的不同,對一個問題的建模有不同的方式。在機器學(xué)習(xí)或者人工智能領(lǐng)域,人們首先會考慮算法的學(xué)習(xí)方式。在機器學(xué)習(xí)領(lǐng)域,有幾種主要的學(xué)習(xí)方式。將算法按照學(xué)習(xí)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(jù)輸入數(shù)據(jù)來選擇最合適的算法來獲得最好的結(jié)果。監(jiān)督式學(xué)習(xí):在監(jiān)督式學(xué)習(xí)下,輸入數(shù)據(jù)被稱為“訓(xùn)練數(shù)據(jù)”,每組訓(xùn)練數(shù)據(jù)有一個明確的標(biāo)識或結(jié)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(shù)字識別中的“1“,”2“,”3“,”4“等。在建立預(yù)測模型的時候,監(jiān)督式學(xué)習(xí)建立一個學(xué)習(xí)過程,將預(yù)測結(jié)果與“訓(xùn)練數(shù)據(jù)”的實際結(jié)果進行比較,不斷的調(diào)整預(yù)測模型,直到模型的預(yù)測結(jié)果達到一個預(yù)期的準確率。監(jiān)督式學(xué)習(xí)的常見應(yīng)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(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network)非監(jiān)督式學(xué)習(xí):在非監(jiān)督式學(xué)習(xí)中,數(shù)據(jù)并不被特別標(biāo)識,學(xué)習(xí)模型是為了推斷出數(shù)據(jù)的一些內(nèi)在結(jié)構(gòu)。常見的應(yīng)用場景包括關(guān)聯(lián)規(guī)則的學(xué)習(xí)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(xué)習(xí):在此學(xué)習(xí)方式下,輸入數(shù)據(jù)部分被標(biāo)識,部分沒有被標(biāo)識,這種學(xué)習(xí)模型可以用來進行預(yù)測,但是模型首先需要學(xué)習(xí)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)以便合理的組織數(shù)據(jù)來進行預(yù)測。應(yīng)用場景包括分類和回歸,算法包括一些對常用監(jiān)督式學(xué)習(xí)算法的延伸,這些算法首先試圖對未標(biāo)識數(shù)據(jù)進行建模,在此基礎(chǔ)上再對標(biāo)識的數(shù)據(jù)進行預(yù)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(xué)習(xí):在這種學(xué)習(xí)模式下,輸入數(shù)據(jù)作為對模型的反饋,不像監(jiān)督模型那樣,輸入數(shù)據(jù)僅僅是作為一個檢查模型對錯的方式,在強化學(xué)習(xí)下,輸入數(shù)據(jù)直接反饋到模型,模型必須對此立刻作出調(diào)整。常見的應(yīng)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(xué)習(xí)(Temporal difference learning)在企業(yè)數(shù)據(jù)應(yīng)用的場景下, 人們最常用的可能就是監(jiān)督式學(xué)習(xí)和非監(jiān)督式學(xué)習(xí)的模型。 在圖像識別等領(lǐng)域,由于存在大量的非標(biāo)識的數(shù)據(jù)和少量的可標(biāo)識數(shù)據(jù), 目前半監(jiān)督式學(xué)習(xí)是一個很熱的話題。 而強化學(xué)習(xí)更多的應(yīng)用在機器人控制及其他需要進行系統(tǒng)控制的領(lǐng)域。算法類似性根據(jù)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(jīng)網(wǎng)絡(luò)的算法等等。當(dāng)然,機器學(xué)習(xí)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?;貧w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(guān)系的一類算法?;貧w算法是統(tǒng)計機器學(xué)習(xí)的利器。在機器學(xué)習(xí)領(lǐng)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(xué)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(yīng)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(shù)據(jù),然后根據(jù)某些近似性把新數(shù)據(jù)與樣本數(shù)據(jù)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(xué)習(xí)或者“基于記憶的學(xué)習(xí)”。常見的算法包括 k-Nearest Neighbor(KNN), 學(xué)習(xí)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(jù)算法的復(fù)雜度對算法進行調(diào)整。正則化方法通常對簡單模型予以獎勵而對復(fù)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(wǎng)絡(luò)(Elastic Net)。決策樹學(xué)習(xí)決策樹算法根據(jù)數(shù)據(jù)的屬性采用樹狀結(jié)構(gòu)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(yīng)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)?;诤说乃惴ɑ诤说乃惴ㄖ凶钪哪^于支持向量機(SVM)了。 基于核的算法把輸入數(shù)據(jù)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(shù)(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(shù)據(jù)進行歸并。所以的聚類算法都試圖找到數(shù)據(jù)的內(nèi)在結(jié)構(gòu),以便按照最大的共同點將數(shù)據(jù)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(guān)聯(lián)規(guī)則學(xué)習(xí)關(guān)聯(lián)規(guī)則學(xué)習(xí)通過尋找最能夠解釋數(shù)據(jù)變量之間關(guān)系的規(guī)則,來找出大量多元數(shù)據(jù)集中有用的關(guān)聯(lián)規(guī)則。常見算法包括 Apriori算法和Eclat算法等。人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)算法模擬生物神經(jīng)網(wǎng)絡(luò),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(jīng)網(wǎng)絡(luò)是機器學(xué)習(xí)的一個龐大的分支,有幾百種不同的算法。(其中深度學(xué)習(xí)就是其中的一類算法,我們會單獨討論),重要的人工神經(jīng)網(wǎng)絡(luò)算法包括:感知器神經(jīng)網(wǎng)絡(luò)(Perceptron Neural Network), 反向傳遞(Back Propagation), Hopfield網(wǎng)絡(luò),自組織映射(Self-Organizing Map, SOM)。學(xué)習(xí)矢量量化(Learning Vector Quantization, LVQ)深度學(xué)習(xí)深度學(xué)習(xí)算法是對人工神經(jīng)網(wǎng)絡(luò)的發(fā)展。 在近期贏得了很多關(guān)注, 特別是百度也開始發(fā)力深度學(xué)習(xí)后, 更是在國內(nèi)引起了很多關(guān)注。 在計算能力變得日益廉價的今天,深度學(xué)習(xí)試圖建立大得多也復(fù)雜得多的神經(jīng)網(wǎng)絡(luò)。很多深度學(xué)習(xí)的算法是半監(jiān)督式學(xué)習(xí)算法,用來處理存在少量未標(biāo)識數(shù)據(jù)的大數(shù)據(jù)集。常見的深度學(xué)習(xí)算法包括:受限波爾茲曼機(Restricted Boltzmann Machine, RBN), Deep Belief Networks(DBN),卷積網(wǎng)絡(luò)(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(shù)據(jù)的內(nèi)在結(jié)構(gòu),不過降低維度算法是以非監(jiān)督學(xué)習(xí)的方式試圖利用較少的信息來歸納或者解釋數(shù)據(jù)。這類算法可以用于高維數(shù)據(jù)的可視化或者用來簡化數(shù)據(jù)以便監(jiān)督式學(xué)習(xí)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(xué)習(xí)模型獨立地就同樣的樣本進行訓(xùn)練,然后把結(jié)果整合起來進行整體預(yù)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(xué)習(xí)模型以及如何把學(xué)習(xí)結(jié)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(xué)習(xí)、機器視覺,你需要弄清的概念人工智能的概念提出已經(jīng)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(xué)習(xí)和機器視覺的概念也頻頻出現(xiàn)在我們的視野當(dāng)中,那么什么是人工智能?什么是深度學(xué)習(xí)、機器視覺,它們是如何應(yīng)用在安防領(lǐng)域中?三者之間存在什么樣的聯(lián)系?以下將為您一一解答。人工智能人工智能是計算機科學(xué)的一個分支,它企圖了解智能的實質(zhì),并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機器,該領(lǐng)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??偟恼f來,人工智能是研究人類智能活動的規(guī)律,構(gòu)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(yīng)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(shù)。深度學(xué)習(xí)深度學(xué)習(xí)是機器學(xué)習(xí)研究中的一個新的領(lǐng)域,其動機在于建立、模擬人腦進行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò),它模仿人腦的機制來解釋數(shù)據(jù),例如圖像,聲音和文本。在安防領(lǐng)域的應(yīng)用讓深度學(xué)習(xí)能夠如此大行其道的關(guān)鍵要素是數(shù)據(jù),而占大數(shù)據(jù)總量60%以上的為視頻監(jiān)控數(shù)據(jù),與此同時,視頻監(jiān)控領(lǐng)域的70%以上的數(shù)據(jù)分析是用來進行圖像識別。深度學(xué)習(xí)的在安防行業(yè)的方方面面得到了應(yīng)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(biāo)的跟蹤深度學(xué)習(xí)算法不是簡單地接收數(shù)據(jù),它在吸收原有數(shù)據(jù)的基礎(chǔ)上,能夠增量式地提升模型的性能,給予數(shù)據(jù)的選擇過程一種反饋形成一種數(shù)據(jù)選擇機制,能夠分辨哪種類型的數(shù)據(jù)有助于持續(xù)提升模型性能,哪種類型的數(shù)據(jù)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(chǎn)品(即圖像攝取裝置,分CMOS和CCD兩種)將被攝取目標(biāo)轉(zhuǎn)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(biāo)的形態(tài)信息,根據(jù)像素分布和亮度、顏色等信息,轉(zhuǎn)變成數(shù)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(biāo)的特征,進而根據(jù)判別的結(jié)果來控制現(xiàn)場的設(shè)備動作。安防領(lǐng)域的應(yīng)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
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 牛肉充值活動方案
- 物業(yè)公司冬至節(jié)活動方案
- 物業(yè)公司新年活動方案
- 物業(yè)公司預(yù)交活動方案
- 物業(yè)新年送禮品活動方案
- 物業(yè)移動活動方案
- 物業(yè)閱讀活動方案
- 物資請領(lǐng)活動方案
- 特教說課活動方案
- 云南省曲靖市宣威市民中2025屆高一化學(xué)第二學(xué)期期末檢測試題含解析
- 2024年寧夏銀川金鳳區(qū)社區(qū)專職工作者考試真題
- 2025年黑龍江龍東地區(qū)中考數(shù)學(xué)試卷真題及答案詳解(精校打?。?/a>
- 《新青年 鄭出發(fā)》打造城市夜經(jīng)濟文旅美食商業(yè)街運營規(guī)劃方案
- 普陀區(qū)2024-2025學(xué)年下學(xué)期期末考試六年級數(shù)學(xué)試卷及答案(上海新教材滬教版)
- 咖啡師考試題庫
- 2025年中國水下測深儀市場調(diào)查研究報告
- 2025年湖北省中考數(shù)學(xué)試卷
- 2025年陜西省中考數(shù)學(xué)真題含答案
- 2025年春國家開放大學(xué)《馬克思主義基本原理》期末終考試卷1參考答案試卷1
- 2025年供應(yīng)鏈管理專業(yè)考試題及答案
評論
0/150
提交評論