简易人工智能入门

一、监督or非监督

监督学习(Supervised Learning):训练集有标记信息(Y),学习方式有分类和回归
无监督学习(Unsupervised Learning):训练集没有标记信息,学习方式有聚类和降维
强化学习(Reinforcement Learning):有延迟和稀疏的反馈标签的学习方式

二、分类or回归

分类:结果是几个离散类型,比如猫狗二分类,手写数字10分类
回归:结果是连续值,比如房价预测,最后的结果可以是是float数字

三、如何购买苹果

1、监督学中,分类问题,最后是买 or 不买,二分类
2、这是历史数据,我们把尺寸、重量等称为特征(x);买或者不买为标签(y)

在这里插入图片描述

四、训练 or 预测

在这里插入图片描述1、训练阶段:通过苹果的历史数据,把苹果的特征(x)和标签(y)“计算”为模型

2、预测阶段:把当前苹果的特征(x)输入到模型;得到结果(y_hat 不是y,只是个预测值) 买或者不买

五、线性模型如何训练(理解)

大家可能会好奇,模型里面有什么?模型里面有几个东西,比较重要的就是参数
下面从最简单的监督模式–回归问题中–线性回归模型引入如何训练
下图是波士顿房价历史数据(训练数据,包含特征和标签两部分),通过训练可以得到一个模型

在这里插入图片描述
1、可能特征和标签的关系是 :price = warea · area + wage · age + b 其中 w是权重 ,b是偏置,这两个都是参数
2、更加简洁一些:y = w1x1 +w2x2 + b
训练就是通过x和y确定w和b,预测就是通过w,x和b计算y
下面开始手写训练:
1、假设b=0
2、w1*50 + w2*20 + 0 = 100 ;方程(1)
w1*60 + w2*10 + 0 = 200 ;方程(2)
方程(2)*2 - 方程(1)可以得到w1约等于4.3,最后可以得出w2
3、这个通过x和y得出w和b的过程叫训练
4、上面是最简单的线性模型,只是让大家理解,实际过程比这个复杂

六、损失函数(基本感受)

如何衡量一个模型中参数好坏?
在这里插入图片描述
上图中蓝色的点表示5个样本点,4条红线表示4种预测的线性关系,哪个更好呢?
损失函数:计算预测值与实际label的差距
在这里插入图片描述
第i个点的损失为预测值y_hat - y的差的平方再除以2
5个点合起来的loss为:n=5 (看不懂公式没有关系只需知道把5个误差进行平均就行
在这里插入图片描述这样可以得出某个红色的线是4条种最优的,但不是最好的,因为仅仅是在这四个可能性种最好

七、损失函数(进阶应用)

在这里插入图片描述

左边图形每一个红线的w和b是固定的,能不能让w和b是变量,得到和y的差距的损失的关系,这样就变为了右图,左边每一条红线在右侧都是一个点。y轴是y_hat和y之间的误差,x轴是w,b。(f(x)=wx+b)。
这样我们求出y轴为0点时,w和b就是当前最好的参数。
找到0点的两种办法,(1)对损失函数求导,导数=0的时候就是最低点(2)梯度下降方法
第一种办法在简单线性模型有效,高阶的时候非常困难。比如下面
在这里插入图片描述
梯度下降就像在山上往下走,一步步找到最优点

八、梯度下降

在这里插入图片描述先从导数的定义说起,导数反应的时y的变换和x变换的比,也就是瞬时的变化比
在这里插入图片描述上图是导数的定义,p0点的导数反应该点的变化情况。Δy为正,Δx为正。该点导数为正。

在这里插入图片描述
红色三角表示该点导数为负,蓝色三角表示该点导数为正。
在这里插入图片描述
比如当前在θ0处,θ是w和b的函数,此时损失比较大。需要让损失变小,就像从山上往下走一样。从θ0变为θ1,慢慢往下走。最后会边到θ4附近。这样损失就比较小了。找到了比较好的w和b。
我们再看一下θ0如何变为θ1的
在这里插入图片描述
θ1=θ0-学习率*θ0处的导数
防止下降太快学习率是个0到1之间的小数

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/web/31554.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

后端实现预览pdf,mp4,图片

PDF预览 /*** pdf预览* param response*/RequestMapping(value "/preview")public void showPdf(HttpServletResponse response) {try {//String filePath this.getClass().getClassLoader().getResource("../../static/pdf/readme.pdf").getPath();Stri…

解决virtualbox虚拟机与主机之间复制粘贴

1、在VirtualBox管理器中设置共享粘贴板和拖放方向为双向 2、在存储中设置使用主机输入输出(I/O)缓存。 3、在存储→控制器:SATA→***.vdi下勾选固态驱动器 4、在虚拟机→设备→安装增强功能 如果上述操作重启虚拟机后,还不行&am…

【考研408计算机组成原理】数值表示和运算之快速数值转换

苏泽 “弃工从研”的路上很孤独,于是我记下了些许笔记相伴,希望能够帮助到大家 另外,利用了工作之余的一点点时间,整理了一套考研408的知识图谱, 我根据这一套知识图谱打造了这样一个408知识图谱问答系统 里面的每一…

【单片机毕业设计选题24018】-基于STM32和阿里云的农业大棚系统

系统功能: 系统分为手动和自动模式,上电默认为自动模式,自动模式下系统根据采集到的传感器值 自动控制,温度过低后自动开启加热,湿度过高后自动开启通风,光照过低后自动开启补 光,水位过低后自动开启水泵…

Kubernetes中的Java微服务部署策略

在现代软件开发中,微服务架构因其灵活性和可扩展性而变得越来越流行。Kubernetes(通常简称为K8s)是一个开源平台,用于自动化部署、扩展和管理容器化应用程序,非常适合部署微服务。本文将详细介绍如何在Kubernetes中部署…

C++初学者指南第一步---11.字符串(基础)

C初学者指南第一步—11.字符串(基础) 文章目录 C初学者指南第一步---11.字符串(基础)1. std::string2. char std::string的元素类型3. std::string字符串操作4. 字面量4.1 C风格字符串字面量4.2 "std::string 字面量"s…

【论文复现|智能算法改进】改进麻雀算法的无人机三维路径规划

目录 1.UAV路径规划数学模型2.改进点3.结果展示4.参考文献5.代码获取 1.UAV路径规划数学模型 【智能算法应用】蜣螂优化算法DBO求解UAV路径规划 2.改进点 Logistics混沌映射 X n 1 μ X n ( 1 − X n ) , X n ∈ ( 0 , 1 ) (1) X_{_{n1}} \mu X_{_n}( 1 - X_{_n} ) ,\qua…

Vulnhub——AI: WEB: 1

渗透复现 (1)目录扫描爆破出隐藏页面info.php和传参页面,泄露网站绝对路径并且存在SQL注入点 (2)已知网站绝对路径,存在SQL注入点,尝试OS-shell写入 (3)OS-shell写入后…

SciPy的原理与使用

文章目录 一、引言二、SciPy的原理1. 基于NumPy2. 子模块化设计3. 优化的数学算法 三、SciPy的使用1. 安装SciPy2. 导入SciPy模块3. 使用SciPy的函数和算法线性代数积分优化 4. 结合其他库使用 四、总结 一、引言 在科学计算和数据处理的领域中,SciPy是一个非常重要…

打造重量级团队:跨越壁垒,引领主数据事业的新篇章

在当下企业竞争激烈、环境复杂多变的背景下,拥有一支高效的团队显得尤为重要。在众多类型的团队中,重量级团队以其跨职能、高协同、强执行力的特点,成为推动企业发展的重要力量。本文将结合我所在公司成立的重量级虚拟组织,探讨如…

AI:音乐创作的未来还是毁灭的序曲?

AI:音乐创作的未来还是毁灭的序曲? 随着人工智能(AI)技术的飞速发展,它已经渗透到了我们生活的方方面面,包括音乐领域。然而,AI在音乐创作中的角色引发了广泛的讨论和争议。一些人认为AI为音乐…

【深度学习】GPT1,提高语言理解的生成预训练方法

论文: https://s3-us-west-2.amazonaws.com/openai-assets/research-covers/language-unsupervised/language_understanding_paper.pdf 文章目录 提高语言理解的生成预训练方法摘要引言相关工作自然语言处理的半监督学习无监督预训练辅助训练目标 框架无监督预训练有…

如何使用alias永久别名(linux篇)

一、alias的使用 alias主要作用是起一个别名的用处 它又分两种形式: ① 临时别名 ② 永久别名 1.第一种(临时别名): C:\Users\62452>ssh root192.168.0.102 root192.168.0.102s password: Last login: Sat Jun 15 16:30:12 20…

【MATLAB源码-第229期】基于matlab的有源功率因数校正仿真,采用PI调节改善功率因数;改善后达到99%.

操作环境: MATLAB 2022a 1、算法描述 一、整体结构概述 有源功率因数校正(APFC)是一种用于提高电力系统功率因数的技术,通过控制电流的波形,使其与电压的波形保持一致,从而减少无功功率的产生&#xff…

交换机三层架构及对流量的转发机制

交换机的作用: 区别集线器(HUB); HUB 为物理层设备,只能直接转发电流 交换机为数据链路层设备,可以将电流与二进制转换,实现了以下功能: 无限的传输距离 彻底解决了冲突-所有的接口可以同时收发数据 二…

天津媒体邀约,及媒体名单?

传媒如春雨,润物细无声,大家好,我是51媒体网胡老师。 媒体宣传加速季,100万补贴享不停,一手媒体资源,全国100城线下落地执行。详情请联系胡老师。 天津作为中国北方的重要城市,拥有丰富的媒体资…

“探索未来之音:AI音乐创作的前沿技术与应用“

目录 AI音乐大模型:降门槛与版权之惑 技术突破带来的兴奋 创作门槛降低的利与弊 版权归属的争议 创意产业的未来 总结 AI音乐大模型:降门槛与版权之惑 最近一个月,AI音乐大模型纷纷上线,将普通人生产音乐的门槛降到了前所未…

「Java开发指南」如何使用Spring注释器实现Spring控制器?(二)

本教程将引导您使用Spring Annotator实现Spring控制器,标准Java类被添加到搭建项目中,Spring Annotator Spring启用Java类。 虽然本教程的重点是Spring控制器,但是Spring Annotator也可以用于Spring服务、组件和存储库。在本教程中&#xff…

2. zabbix-agent获取监控数据的三种方式

zabbix-agent获取监控数据的三种方式 一、监控其他主机1、在被监控机安装部署zabbix-agent2、在web界面添加监控主机3、系统级别的监控数据参考 二、zabbix-agent监控的三种方式1、利用自带key监控数据1.1 示例1: 监控node01网卡的流入流量1.2 常用的key 2、自定义key的监控2.1…

【ARMv8/ARMv9 硬件加速系列 2.1 -- ARM NEON 向量寄存器单个元素赋值】

文章目录 NEON 向量寄存器单个元素赋值对 v0.4s中的一个元素赋值对 v1.16b 中的一个元素赋值MOVI (Move Immediate)NEON 向量寄存器单个元素赋值 在ARMv8架构中,你可以使用特定的指令来对v0.4s和v1.16b中的单个元素赋值。这通常通过使用MOV(Move)指令的变种实现,具体取决于…