江苏龙网

  1. 主页 > 生活百科 > >

培训方法解析 人工智能产品经理培训( 三 )


第一步:将维度从2D 空增加到3D 空，如下图所示 。
第二步:将二维样本数据投影到三维空间空，如下图所示 。
第三步:切入3D 空，如下图 。
第四步:将切割超平面映射到二维平面，如下图所示 。
这就完成了新的内核函数 。因为非线性空区间太复杂，而且你不能马上知道哪个核函数最适合把非线性空区间转换成线性空区间，所以SVMS通常实现多个核函数来识别最佳选项 。
2. 朴素贝叶斯分类器 如果你的领导给你一个数据量适中、变量少的分析任务，期望你尽快完成数据预测，那么选择朴素贝叶斯是一个比较好的办法 。
我们先来看看什么是贝叶斯定律:
换个表达方式更容易理解:
如果要用性别和体重来区分产品经理和程序员，我们找的是P(程序员|性别，体重)和P(产品经理|性别，体重) 。
根据贝叶斯定律:
P(职业|性别，体重)=P(性别|职业)P(职业)/P(体重)
除了贝叶斯算法，还有朴素贝叶斯，这是一种基于贝叶斯算法并做了基本假设的算法 。
朴素贝叶斯假设所有数据的属性都是独立的，它们互不影响 。正是因为有了这个假设，很多复杂的问题才能简单化 。而且朴素贝叶斯也非常适合预测未知数据集，做一些数据预测 。
上例中，根据朴素贝叶斯，可以认为性别和体重没有关系，即P(体重|职业，性别)=P(体重|职业) 。
P(性别，体重|职业)=P(性别|职业)× P(体重|职业)
朴素贝叶斯的优点是:
朴素贝叶斯简单，容易理解； 朴素贝叶斯性能高，计算速度快； 朴素贝叶斯擅长数据预测； 朴素贝叶斯对于训练数据的要求量非常少；由于朴素贝叶斯的优点，在实时预测和多类预测中经常可以看到朴素贝叶斯的身影 。而且由于文本分类中变量的类型较多，类型相对独立，朴素贝叶斯在文本分类中得到了广泛的应用，如垃圾邮件识别、网站内容识别、新闻推荐等 。
三、无监督学习 对于未标记的数据，通过算法学习数据的分布或者数据之间的关系，称为无监督学习 。
无监督学习的目标是使用算法来探索隐藏在数据中的一些结构和特征，这些结构和特征是人类无法直接理解或实现的 。因为数据没有任何标签，所以很难评价无监督学习的结果是否正确 。但如果通过无监督学习对数据进行分组，就可以学习到原始数据中不可预测的隐藏信息 。
如果说在学校学习的学生叫监督学习，那么不上学的孩子也可以通过自己对世界的观察和理解来学习，只是学的东西是随意的，随机的，但最终会学到什么也是无法预测的 。
人工智能也是如此 。2017年，有一则新闻，美国科学家制造的两个人工智能机器人，通过自我学习，创造了一种只有他们两个人才能理解的语言 。而且这两个机器人本身已经开始用只有它们自己能理解的语言交流，这在人们中间引起了极大的恐慌，最后以毁灭告终 。
无监督学习在很多应用场景下被实际例子所验证 。
如果开一家服装厂生产衣服，如何确定衣服的S，M，L尺寸？如果你同时拥有中国人的所有身高值，通过无监督学习就可以做到 。
正是因为没有人工标记，无监督学习至今无法达到有监督学习的准确性和有效性，所以无监督学习受到了人工智能领域一些科学家的批评 。但是最近几年，无监督学习又开始火热起来，甚至有科学家说，无监督学习是人工智能的未来 。
目前无监督学习中最流行的算法之一是Ian Goodfellow提出的生成式对抗网络——GAN 。
GAN的原理是连接两个神经网络，其中一个叫做“生成器”，负责生成旨在试图欺骗另一个神经网络的数据，另一个叫做“鉴别器” 。通过两个网络的对抗性学习，取得了一些令人惊讶的成果，比如可以从文本串或手绘草图生成照片版等逼真图片的人工智能技术 。
1. 判断指标 人工智能通常有三个评价指标:准确率、召回率和准确率 。这三个指标在无监督学习中非常重要，通常用来评价无监督学习 。
准确率：对于给定的测试数据集，分类器正确分类的样本数与总样本数之比 。简而言之，准确率就是查的准 。就像警察抓小偷，抓到的每个人是不是都是小偷，抓到的10个人，有9个是小偷那么准确率就是90% 。召回率：对给定的测试数据集，分类器正确的找到所有正确分类样本数 。简而言之，召回率就是查的全 。就像警察抓小偷，有100个人，共有20个小偷，抓到了其中10个，则召回率为50% 。精准率：表示识别对的比例 。即好人被识别成好人，坏人被识别成坏人，就像警察抓小偷，有100个人，共有20个小偷，抓了10个，但其中有1个不是小偷，则精准率为90% 。准确率、召回率和精确度是衡量人工智能算法的关键指标 。这三个指标越高，算法的适应性越好 。


推荐阅读


上一篇：设计师必看这十大交互原则 尼尔森十大交互原则有哪些

下一篇：捡漏族必看这些技巧 淘宝拍卖捡漏技巧是什么