IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 人工智能 -> 李宏毅深度学习|Datawhale-7月:task01 机器学习介绍 -> 正文阅读

[人工智能]李宏毅深度学习|Datawhale-7月:task01 机器学习介绍

机器学习介绍

人工智能这个词汇,在1950年代就有了。那这个词意味着什么呢?这个词意味着一个人类长远以来的目标,希望机器可以跟人一样的聪明。在科幻小说里面,我们看要很多这样的幻想和期待。但很长段时间里面,人们并不知道怎么做到人工智能这件事情,直到后来,大概1980年代以后,有了机器学习的方法。那么机器学习顾名思义,从名字就可以被猜出,就是让机器具有学习的能力。所以机器学习与人工智能之间什么关系呢?

人工智能是我们想要达成的目标,而机器学习是想要达成目标的手段,希望机器通过学习方式,能跟人一样聪明。而深度学习和机器学习有什么关系呢?深度学习就是机器学习的其中一种方法。

在有深度学习、机器学习之前,人们用什么样的方式来做到人工智能这件事呢?高中生物学告诉我们说:生物的行为取决于两件事,一个是后天学习的结果,一个是先天的本能。对于机器来说也是一样,它怎么样表现的很有智慧,要么就是通过后天学习的手段表现的很有智慧,要么就是它的先天的本能。机器为什么会有先天的本能,那就是它的创造者,也就是人类,帮它事先设立好的。

在这里插入图片描述

现在先来看一下生物的本能,讲一个跟机器学习一点都没有关系的内容:生物的本能。如图这个是河狸,河狸的特色就是它会筑水坝把水挡起来。但是河狸怎么知道要筑水坝呢?河狸筑水坝能力是天生的。也就是说,假设河狸在实验室出生,它没有父母教它怎么筑水坝。但是一生下来,它心里就有个冲动,就是它想要筑水坝。如果我们要程序语言来描述的话,它的程序语言就是这样的:

在这里插入图片描述

If 它听到流水声

Then 它就筑水坝直到它听不到流水声。

在这里插入图片描述

所以,生物学家就可以欺负河狸,他用一个扬声器来播放流水声,如果他把扬声器流放在水泥墙里面,然后河狸就会在水泥墙上面的放很多的树枝,在水泥墙上面筑堤,想把扬声器的声音盖住。如果你把扬声器放在地上,河狸就会用树枝把它盖住直到你听不见扬声器的声音为止。这就是生物的本能,机器的本能跟生物的本能其实也很像。

假设有一天你想要做一个chat-bot(聊天机器人),如果不是用机器学习的方式,而是给它天生的本能的话,那是什么样子呢?你就需要在这个聊天机器人里面的设定一些规则,这些规则我们通常称hand-crafted rules(人设定的规则)。

假设你今天要设计一个机器人,他可以帮你打开或关掉音乐,那你的做法可能是这样:设立一条规则,就是写程序。如果输入的句子里面看到“turn off”这个词汇,那chat-bot要做的事情就是把音乐关掉。然后你对chat-bot说,Please turn off the music 或can you turn off the music, Smart? 它就会帮你把音乐关掉。看起来好像很聪明。别人就会觉得这就是人工智能。但是如果你今天想要欺负chat-bot的话,你就可以说please don‘t turn off the music,但是它还是会把音乐关掉。这是个真实的例子。

在这里插入图片描述

使用hand-crafted rules有什么样的坏处呢?它的坏处就是:使用hand-crafted rules没办法考虑到所有的可能性,用hand-crafted rules创造出来的machine,它永远没有办法超过它的创造者人类。因为人类想不到的东西,就没办法写规则,没法写规则,机器就不知道要怎么办。所以如果一个机器,它只能够按照人类所设定好的hand-crafted rules,就不会超越创造它的人类。

在这里插入图片描述

你可能会说,但是你好像看到很多chat-bot看起来非常的聪明。如果你是有一个是一个非常大的企业,它有成千上万的工程师,用血汗的方式来建出数以万计的规则,然后让他的机器看起来好像很聪明。但是对于中小企业来说,这样建规则的方式反而是不利的。所以我认为机器学习发展,对比较小规模企业反而是更有利的。因为接下来,不需要非常大量的人来帮你想各式各样的规则,只要手上有data,你可以让机器来帮你做这件事情。当然怎么收集data又是另外一个问题,这不是我们今天要讨论的主题。

我们要做的其实是让机器他有自己学习的能力,也就我们要做的应该machine learning(机器学习)的方向。讲的比较拟人化一点,所谓machine learning的方向,就是你就写段程序,然后让机器人变得很聪明,它就能够有学习的能力。接下来,你就像教一个婴儿、教一个小孩一样的教它,你并不是写程序让他做到这件事,而是让它具有学习的能力。假设你要叫它学会做语音辨识,你告诉它这段声音是“Hi”,这段声音就是“How are you”,这段声音是“Good bye”。接下来它就学会了,你再给它一个新的声音,它就可以帮你产生语音辨识的结果。

在这里插入图片描述

如果你希望它学会怎么做影像辨识,你可能不太需要改太多的程序。因为它本身就有这种学习的能力,你只需要告诉它:看到这张图片,你要说这是猴子;看到这张图片说是猫;看到这张图片说是狗。它具有影像辨识的能力,接下来看到它之前没有看过的猫,希望它可以认识。

在这里插入图片描述

讲的更具体一点,machine learning所做的事情,就是在寻找一个function,要让机器具有一个能力,这种能力是根据你提供给它的资料,它去寻找出我们要寻找的function。还有很多关键问题都可以想成是我们就是需要一个function。

在这里插入图片描述

以下我先很简短的跟大家说明怎么样找出这个function,找出function的framework(框架)是什么呢?我们以影像辨识为例,找个function输入一张图片,它告诉我们这个图片里面有什么样的东西。

在这里插入图片描述

在做这件事时,你的起手事是准备一个function set(集合),这个function里面有成千上万的function。举例来说,这个function在里面,有一个f1,你给它看一只猫,它就告诉你输出猫,看一只狗就输出狗。有一个function f2它很怪,你给它看猫,它说是猴子;你给它看狗,它说是蛇。你要准备一个function set,这个function set里面有成千上万的function。这件事情讲起来可能有点抽象,你可能会怀疑说怎么会有成千上万的function,我怎么把成千上万的function收集起来,这个内容我们之后再讲。

在这里插入图片描述

总之,我们先假设你手上有一个function set,这个function set就叫做model(模型)。

在这里插入图片描述

有了这个function set,接下来机器要做的事情是:它有一些训练的资料,这些训练资料告诉机器说一个好的function,它的输入输出应该是什么样子,有什么样关系。现在在这个影像辨识的问题里面,如果机器看到猴子要输出猴子,看到猫的图要输出猫,看到狗的图就输出狗,这样才是对的。

在这里插入图片描述

在整个machine learning framework整个过程分成了三个步骤。第一个步骤就是找一个function,第二个步骤让machine可以衡量一个function是好还是不好,第三个步骤是让machine有一个自动的方法,有一个好的演算法挑出最好的function。

机器学习其实只有三个步骤,这三个步骤简化了整个过程。可以类比为:把大象放进冰箱。我们把大象塞进冰箱,其实也是三个步骤:把门打开;象塞进去;后把门关起来,然后就结束了。所以说,机器学习三个步骤,就好像是说把大象放进冰箱,也只需要三个步骤。

在这里插入图片描述

机器学习相关的技术

如图为这学期的Learning Map,看起来是有点复杂的,我们一块一块来解释,接下里我们将从图的左上角来进行学习。

在这里插入图片描述

监督学习

Regression(回归)是一种machine learning的task,当我们说我们要做regression时,意思是,machine找到的function,它的输出是一个scalar(标量),这个叫做regression。举例来说,要做PM2.5的预测(比如说预测明天上午的PM2.5) ,也就是说你要找一个function,这个function的输出是未来某一个时间PM2.5的一个数值,这个是一个regression的问题。

在这里插入图片描述

机器要判断function明天上午的PM2.5输出,你要提供给它一些资讯,它才能够猜出明天上午的PM2.5。你给它资讯可能是今天上午的PM2.5、昨天上午的PM2.5等等。这是一个function,我们给它输入PM2.5的资料,它输出的是预测未来的PM2.5。

若你要训练这种machine,如同我们在Framework中讲的,你要准备一些训练资料,什么样的训练资料?你就告诉它是今天我们根据过去从政府的open data上搜集下来的资料。九月一号上午的PM2.5是63,九月二号上午的PM2.5是65,九月三号上午的PM2.5是100。所以一个好的function输入九月一号、九月二号的PM2.5,它应该输出九月三号的PM2.5;若给function九月十二号的PM2.5、九月十三号的PM2.5,它应该输出九月十四号的PM2.5。若收集更多的data,那你就可以做一个气象预报的系统。

在这里插入图片描述

接下来讲的是Classification(分类)的问题。Regression和Classification的差别就是我们要机器输出的东西的类型是不一样。在Regression中机器输出的是一个数值,在Classification里面机器输出的是类别。假设Classification问题分成两种,一种叫做二分类输出的是是或否(Yes or No);另一类叫做多分类(Multi-class),在Multi-class中是让机器做一个选择题,等于是给它数个选项,每个选项都是一个类别,让它从数个类别里选择正确的类别。

在这里插入图片描述

刚才讲的都是让机器去完成的任务,接下来要讲的是在解任务的过程中第一步就是要选择function set,选不同的function set就是选不同的model。模型有很多种,最简单的就是线性模型,但我们会花很多时间在非线性的模型上。在非线性的模型中最耳熟能详的就是Deep learning。

在这里插入图片描述

在做Deep learning时,它的function是特别复杂的,所以它可以做特别复杂的事情。比如它可以做影像辨识,这个复杂的function可以描述pixel(像素)和class之间的关系。

在这里插入图片描述

用Deep learning的技术也可以让机器下围棋,
下围棋这个task 其实就是一个分类的问题。对分类问题我们需要一个很复杂的function,输入是一个棋盘的格子,输出就是下一步应该落子的位置。我们知道一个棋盘上有十九乘十九的位置可以落子,所以今天下围棋这件事情,你就可以把它想成是一个十九乘十九个类别的分类问题,或者是你可以把它想成是一个有十九乘十九个选项的选择题。

你要怎么训练机器让它学会下围棋呢?你要搜集训练资料,告诉机器现在这个function输入输出分别应该是什么。就看到某样的盘式,我们应该输出什么样结果。

怎么收集资料呢?你可以从人类过去下的棋库里面搜集。举例来说,你收集了进藤光和社新春下的那一盘棋的棋谱。社新春出手先下五之5,进藤光次手下天元,社新春第三手下五之5。

在这里插入图片描述

所以若你有了这样的棋谱之后,可以告诉machine如果现在有人落子下5之五,下一步就落子在天元;若五之五和天元都有落子,那就要落子在另外一个五之5上。然后你给它足够多的棋谱,他就学会下围棋了。

在这里插入图片描述

除了deep learning 以外还有很多machine learning的model也是非线性的模型。

在这里插入图片描述

半监督学习

刚才我们讲的都是supervised learning(监督学习),监督学习的问题是我们需要大量的training data。training data告诉我们要找的function的input和output之间的关系。如果我们在监督学习下进行学习,我们需要告诉机器function的input和output是什么。这个output往往没有办法用很自然的方式取得,需要人工的力量把它标注出来,这些function的output叫做label。

在这里插入图片描述

那有没有办法减少label需要的量呢?就是半监督学习。

假设你先想让机器鉴别猫狗的不同。你想做一个分类器让它告诉你,图片上是猫还是狗。你有少量的猫和狗的labelled data,但是同时你又有大量的Unlabeled data,但是你没有力气去告诉机器说哪些是猫哪些是狗。在半监督学习的技术中,这些没有label的data,他可能也是对学习有帮助。这个我们之后会讲为什么这些没有label的data对学习会有帮助。

在这里插入图片描述

迁移学习

另外一个减少data用量的方向是迁移学习。

在这里插入图片描述

迁移学习的意思是:假设我们要做猫和狗的分类问题,现在有大量的data,但是这些大量的data中可能有label也可能没有label,而且它跟我们现在要考虑的问题是没有什么特别的关系的,我们要分辨的是猫和狗的不同,但是这边有一大堆其他动物的图片还是动画图片(凉宫春日,御坂美琴)你有这一大堆不相干的图片,它到底可以带来什么帮助。这个就是迁移学习要讲的问题。

在这里插入图片描述

无监督学习

更加进阶的就是无监督学习,我们希望机器可以无师自通。

在这里插入图片描述

如果在完全没有任何label的情况下,机器到底可以学到什么样的事情。举例来说,如果我们给机器看大量的文章,让机器看过大量的文章以后,它可以学到什么东西。

在这里插入图片描述

它能不能够学会每一个词汇的意思,要让机器学会每一个词汇的意思,你可以想成是我们找一个function,然后你把一个词汇丢进去。比如说你把“apple”丢进这个function里面,机器要输出这个词会是什么意思。也许它用一个向量来表示这个词汇的各种不同的特性。但现在讲是无监督学习的问题,你现在只有一大堆的文章,也就是说你只有词汇,你只有function的输入,没有任何的输出。那你要怎么解决这个问题。

在这里插入图片描述

我们举另外一个无监督学习的例子:假设我们今天带机器去动物园让它看一大堆的动物,它能不能够在看了一大堆动物以后,它就学会自己创造一些动物。那这个都是真实例子。仔细看了大量的动物以后,它就可以自己的画一些狗出来。有眼睛长在身体上的狗、还有乳牛狗等等。

在这里插入图片描述

下面这个Task也是一个无监督学习的问题,这个function的输入不知道是什么,可能是某一个code代表要输出图片的特性,输出是一张图片。你给机器看到的只有非常大量的图片,只有function的input,没有output。机器要怎样生成新的图片,这是我们后面要解决的问题。

在这里插入图片描述

监督学习中的结构化学习

在machine要解的任务上我们讲了Regression(回归)、classification(分类),还有一类的问题是structured learning(结构化学习)。

在这里插入图片描述

structured learning 中让机器输出的是要有结构性的,举例来说:在语音辨识里面,机器输入是声音讯号,输出是一个句子。句子是要很多词汇拼凑完成。它是一个有结构性的object。或者是说在机器翻译里面你说一句话,你输入中文希望机器翻成英文,它的输出也是有结构性的。或者你今天要做的是人脸辨识,来给机器看张图片,它会知道说最左边是长门,中间是凉宫春日,右边是宝玖瑠。然后机器要把这些东西标出来,这也是一个structure learning问题。

在这里插入图片描述

其实多数人可能都听过regression,也听过classification,但可能没听过structure learning。很多教科书都直接说,machine learning是两大类的问题,regression和classification。machine learning只有regression和classification两类问题,就好像告诉你:我们所熟知的世界只有五大洲,但是这只是真实世界的一小部分,真正的世界是如图所示。

在这里插入图片描述

真正世界还应该包括structure learning,这里面还有很多问题是没有探究的。

最后一部分就是reinforcement learning(强化学习)的问题。

在这里插入图片描述

reinforcement learning其实是一个已经发展了很久的技术,但近期受到大家的关注是因为data mining(数据挖掘)将reinforcement learning技术用来玩一些小游戏。另外一个就是Alpha Go。

在这里插入图片描述

强化学习

我们若将强化学习和监督学习进行比较时,在监督学习中我们会告诉机器正确答案是什么。若现在我们要用监督学习的方法来训练一个聊天机器人,你的训练方式会是:你告诉机器,现在使用者说了hello,你就说hi,现在使用者说了bye bye ,你就说good bye。所以机器有一个人在旁边手把手的教它每件事情,这就是监督学习。

在这里插入图片描述

reinforcement learning是什么呢?在reinforcement learning里面,我们没有告诉机器正确的答案是什么,机器所拥有的只有一个分数,就是它做的好还是不好。

若我们现在要用reinforcement learning方法来训练一个聊天机器人的话,它训练的方法会是这样:你就把机器发到线下,让它和对面进来的客人对话,然后交流了半天以后呢,对面勃然大怒把电话挂掉了。那机器就学到刚才做错了。但是它不知道哪边错了,它就要回去自己想道理,是一开始就不应该打招呼吗?还是中间不应该在骂脏话了之类。它不知道,也没有人告诉它哪里做的不好,它要回去反省检讨哪一步做的不好。

机器要是在reinforcement learning的情况下学习,它将是非常聪明的。 reinforcement learning也是比较符合我们人类真正的学习的情景,这是你在学校里面的学习老师会告诉你答案,但在真实社会中没人会告诉你正确答案。你只知道你做得好还是做得不好,如果机器可以做到reinforcement learning,那确实是比较聪明。

若我们用Alpha Go当做例子时,supervised learning(监督学习)就是告诉机器:看到这个盘式你就下“5-5”,看到这个盘式你就下“3-3”

而reinforcement learning的意思是:机器跟对手互下,机器会不断的下棋,最后赢了,机器就会知道下的不错,但是究竟是哪里可以使它赢,它其实是不知道的。我们知道Alpha Go其实是用监督学习加上reinforcement learning去学习的。先用棋谱做监督学习,然后再做reinforcement learning,但是reinforcement learning需要一个对手,如果使用人当对手就会很浪费时间,所以训练机器的对手是另外一个机器。

在这里插入图片描述

小贴士

在这里插入图片描述

大家注意一下这个不同的方块,同样的颜色不同的方块是同一个类型的,蓝色的方块,指的是学习的情景,通常学习的情景是你没有办法控制的。红色的是指的是task,你要解的问题,你要解的这个问题随着你用的方程的不同,有regression、classification、structured。所以在不同的情境下,都有可能要解这个task。最后,在这些不同task里面有不同的model,用绿色的方块表示。

  人工智能 最新文章
2022吴恩达机器学习课程——第二课(神经网
第十五章 规则学习
FixMatch: Simplifying Semi-Supervised Le
数据挖掘Java——Kmeans算法的实现
大脑皮层的分割方法
【翻译】GPT-3是如何工作的
论文笔记:TEACHTEXT: CrossModal Generaliz
python从零学(六)
详解Python 3.x 导入(import)
【答读者问27】backtrader不支持最新版本的
上一篇文章      下一篇文章      查看所有文章
加:2021-07-13 17:28:06  更:2021-07-13 17:28:58 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年3日历 -2024/3/29 16:54:43-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码