每日最新頭條.有趣資訊

當衰老遇上人工智慧

口服液外觀檢測 磁性材料質量檢測 砂石水分檢測 砂石混合比 煙支外觀檢測 磁環外觀檢測

代表著未來科技的人工智慧(Artificial Intelligence, AI,由於為計算機「裝」上了人腦,似乎在朝著無所不能的方向演化——汽車實現了無人駕駛、阿爾法狗戰勝人類最強棋手、人臉識別抓捕逃犯等等,這一項項之前存在於理想國中的技術慢慢成為現實。然而,發明了人工智慧的人類卻依舊面對著難以跨越的壽命極限和無法逆轉的衰老。我們不禁想問:隨著人工智慧的日益強大,它能夠幫助我們減緩甚至抵抗住衰老的來襲嗎?讓我們先走近人工智慧領域,了解它的一些基本概念。

AI的重要分支與核心技術是機器學習,它是一門多領域交叉學科,涉及概率統計、線性代數、演算法複雜度理論、凸分析等多門數學或計算機的分支學科。對於非專業人士來說,恐怕聽起來還有點「不明覺厲」。但實際上,機器學習早已不知不覺地滲透到尋常的科學研究中了。比如,我們做的回歸分析、PCA聚類等都可歸類為機器學習。那麼什麼是機器學習呢?顧名思義,就是讓計算機依照一定的演算法從數據中找出規律來。接下來,小編就帶讀者簡單地盤點一下機器學習方面的演算法吧。

成都天衡製造 www.thsmart.com.cn

聯繫電話 18683315578 鄭經理

機器學習中的經典演算法

機器學習的演算法有很多,相互之間又存在交叉融合,很難有統一的分類標準,但從學習方式上看,主要可以分成監督式學習非監督式學習兩大類。監督式學習,就是一個在打好數據「標籤」的訓練集的監督下的學習。比如一個防垃圾郵件的系統,會根據已有的「垃圾郵件」與「非垃圾郵件」來對新接收的郵件做出是否為垃圾郵件的判斷。這類學習通常對應我們常見的分類問題。而非監督式學習則沒有被打上標籤的數據,要通過計算找出數據內部的結構,這類學習一般對應聚類問題。更深入地,還有半監督式學習、強化學習等,我們就不在此一一展開討論。接下來,我們來了解一些學習中常用的具體演算法。

決策樹(Decision Tree)是一種主要用於分類問題的監督學習演算法。它是一種樹形結構,其中每個內部節點表示一個屬性上的測試,每個分支代表一個測試輸出,每個葉節點代表一種類別(圖一)。每一棵決策樹的生成都是在用已知的標籤和屬性基於信息熵最大化的原則進行訓練的過程,生成的決策樹則可以為未知標籤的數據進行分類。與決策樹相近的,還有比較熱門的隨機森林(Random Forest)本質上則是在對原數據集抽樣後生成的多個數據集上的多棵決策樹。

樸素貝葉斯演算法(Naive Bayesian)是一類基於貝葉斯理論的勞苦功高的分類演算法,方法簡單,準確率高,速度快。它在給定已知成因的情況下,對觀測到的效果預測成因。比如我們想對患有胃出血的病人推測其患有癌症的概率。我們可以根據現有已知的各種疾病發病率以及每種疾病與胃出血這一癥狀的關聯程度這兩類先驗知識,來推測導致出現胃出血病症最有可能的成因,從而為該患者是否患有癌症做出預測。

支持向量機(Support Vector Machine, SVM也是一種比較常見的演算法,它是一個通過尋找決策邊界來對數據進行分類的二元分類器(圖二)。不僅可以區分線性可分的數據,還可以通過一個非線性變換將線性不可分的數據映射到高階空間,再在這個高階向量空間裡用一個邊界曲面將數據進行二元分類。

K-means聚類(K-means Clustering)是最有名的聚類演算法,優點是簡潔、效率高。它根據預先設定的K值,隨機選取K個對象作為初始的聚類中心。然後把每個對象分配給距離它最近的聚類中心,完成後就形成了K個聚類。重新計算每個聚類的聚類中心,再對每個對象重複以上過程的計算。這個過程將不斷重複直到滿足某個終止條件——沒有對象被重新分配給不同的聚類單元。

人工神經網路(Artificial Neutral Network, ANN是一類模擬生物神經網路的模式匹配角算法,用於回歸和分類。典型的神經網路由輸入層、隱藏層、輸出層構成。其中,大量節點(模擬大腦神經元)之間相互聯接,每個節點代表一種特定的輸出函數,稱為激勵函數;每兩個節點間的連接都代表一個通過該連接信號的加權值(模擬神經元的記憶)(圖三)。不同的網路連接方式、權重值和激勵函數會帶來不同的網路輸出,也就構成了一種特定的神經網路演算法。近年來比較流行的深度學習演算法可以看做是廣義的含多個隱藏層的多層人工神經網路(DNN),包括常用於圖像處理的卷積神經網路(CNN)等。


獲得更多的PTT最新消息
按讚加入粉絲團