什么是人工智能算法？_ZNDS问答

你们说的都太复杂了，希望我的描述能让外行们看懂。
当前运用的人工智能的算法，在本质上就是输入x得到反馈y。
至于如何从x得到的y，我们可以列一个线性方程y = mx + b。
它表示是x和y的关系。只不过是从前我们学的是根据x求y，在人工智能领域是，知道输入x和输出y，要求出的是系数m和常数b。
线性回归

有监督学习就是持续输入大量的配对的x和y，调整系数m和常数b，让线性方程更好的匹配数据。这个方程永远不能以百分之百的准确率匹配x和y，但是它能被用来做预测。一旦你确定了一个可靠的函数，你输入x的值，变成得到一个正确率很高的y值。
即使复杂如阿尔法狗，它不过是得到了一个无比复杂的系数m，万变不离其宗，它的算法仍然能被表达为y = mx + b。
聚类分析

有监督学习还可以被用来做分类，类似于把水从池子里分到桶里。例如，如果数据带有特点x，它进入一号桶；如果没有，它进入二号桶。在这种情况下，你仍然可能认为这是在用x预测y，只是在这里y不是数值而是类别。当然，分水的桶可以准备很多。
分类算法可以来过滤垃圾邮件，分析x光片的异常，确认案件的相关资料，为一个岗位选择合适的简历，甚至做market segmentation。

　决策树是一种树形结构，为人们提供决策依据，决策树可以用来回答yes和no问题，它通过树形结构将各种情况组合都表示出来，每个分支表示一次选择（选择yes还是no），直到所有选择都进行完毕，最终给出正确答案。
　如果你对统计学有所了解，那么你必定听说过线性回归。最小均方就是用来求线性回归的。如下图所示，平面内会有一系列点，然后我们求取一条线，使得这条线尽可能拟合这些点分布，这就是线性回归。这条线有多种找法，最小二乘法就是其中一种。最小二乘法其原理如下，找到一条线使得平面内的所有点到这条线的欧式距离和最小。这条线就是我们要求取得线。
　线性指的是用一条线对数据进行拟合，距离代表的是数据误差，最小二乘法可以看做是误差最小化。
　　那么为什集成分类器要比单个分类器效果好呢？
　　1.偏差均匀化：如果你将民主党与共和党的投票数算一下均值，可定会得到你原先没有发现的结果，集成学习与这个也类似，它可以学到其它任何一种方式都学不到的东西。
　　2.减少方差：总体的结果要比单一模型的结果好，因为其从多个角度考虑问题。类似于股票市场，综合考虑多只股票可以要比只考虑一只股票好，这就是为什么多数据比少数据效果好原因，因为其考虑的因素更多。
　　3.不容易过拟合。如果的一个模型不过拟合，那么综合考虑多种因素的多模型就更不容易过拟合了。
首要问题：“语言的选择”
摆在题主面前的首要问题是“入门”，所以我们需要在前人的基础上进行理解和应用。在这里我推荐Python，除了Python语法简洁灵活以外，目前人工智能或者机器学习库在Python语言上最为丰富和完善——是的，没有之一。
这里我想解释一下“库”的概念，目前语言的一个趋势就是提高工作效率，也即“拿来主义”，别人做好的东西你可以直接拿来用，单这并不是说你什么都不需要做了，而是这只是一个工具，单是理解如何使用工具就不是一个轻松的事情。
如果题主想从0开始自己写机器学习的工具，那么我不推荐，一般来说大多数人没有这个能力，也确实没有必要。
所谓【分类】，举个列子，就是人有男女性别之分，回答有正确错误之分，相貌有美丑之分；所谓【聚类】，你不能判断一个东西的具体类别而是说大致更接近什么，通俗来说就是更加模糊的分类，一个四不像的动物从概率来说更像什么；所谓【回归】，针对一系列连续的值，比如明天的天气是20℃还是21或者30这样、或者小明数学成绩考了60分还是72分。
明白了问题的类型，我们才能选择特定的算法：针对【分类】问题，可以选择KNN算法、决策树、朴素贝叶斯、支持向量机、逻辑斯蒂回归；针对【聚类】可以使用K-mean算法；针对【回归】问题，可以选决策树、朴素贝叶斯、支持向量机。（对的，我没有写错，决策树、朴素贝叶斯、支持向量机既可以分类也可以回归）值得一提得是，逻辑斯蒂回归虽然是回归命名，但却只能用于分类。

人工智能是个大概念，包含的方向和内容很多。可以说只要有点智能的都可以叫人工智能，想图像识别，视觉导航，神经网络，控制领域模糊控制等等，目前他本身并无明确的发展方向，分之也多很难说要从哪上手。选择你自己喜欢的一个方向就好。个人感觉目前的技术里人工智能还很远，有过度炒作，泡沫化的趋势。字面意思人工智能，什么叫人工智能？顾名思义就是模仿人脑的思维。现在各行各业，为了炒作自己的热度，只要有点技术含量的都冠以人工智能，这种挂羊头卖狗肉风气值得警惕。发展人工智能是好事，但是我们必须以严谨的心态实事求是的做下去才行。

		自动登录	找回密码
密码			立即注册

什么是人工智能算法？

相关问题更多>

最新回答