符号主义和连接主义之争

符号主义：支持ai应该理解数理逻辑及本质，即不需要刷题就可以会做所有的考试

连接主义：支持ai应该模拟人脑推理、仿生，通过训练达到与人思维一致

机器学习

分类

• 监督学习：对数据进行100%标注，对数据进行分类

  • 输入：数据集、对应标签

  • 目标：学习映射函数，能够处理输入-输出这种模式

  • 应用：分类、回归，例如房价预测、垃圾邮件分类

• 半监督学习：对数据进行部分标注和预标注，对少量数据进行分类

  • 输入：大量无标签数据和少量标签数据

  • 目标：利用少量标签数据帮助大量未标注数据学习，从而提高模型准确性

  • 应用：大规模数据集的分类任务，语音识别、图像分类

• 无监督学习：天然利用数据本身的数理、数学，完全依赖ai自行对数据进行分类

  • 输入：只有输入数据，没有标签

  • 目标：找出隐藏的结构或模式，例如聚类或降维

  • 应用：聚类分析、降维分析、异常检查，例如顾客分群、PCA降维

监督学习

典型算法

线性回归、逻辑回归、决策树、随机森林、最近邻算法、朴素贝叶斯、支持向量机（SVM）、感知器、深度神经网络（DNN）

应用

• 分类：垃圾邮件检测、情感分析、手写数字识别（MNIST数据集）

• 回归任务：房价预测、股票市场预测、天气预测

优缺点

• 优点：训练过程清晰、结果准确

• 缺点：容易过拟合，且强依赖数据有效性

非监督学习

基本原理

不依赖标注数据，不是预测具体的输出标签，非预测

典型算法

K-means聚类、层次聚类、主成分分析、自编码器、孤立森林

• K-means：输入参数有一个比较核心的K值，即找到聚类的中心数，然后计算每个点到中心的均值，即K均值聚类

应用

客户分群、异常检测、数据降维、主题建模

神经网络

感知机模型

最简单的计算模型

神经网络

在感知机的基础上做进一步升级，即在输入和输出神经元中间加一层隐藏神经元，用于学习和使用复杂函数

深度神经网络就是在中间增加多层隐藏神经元，而每加一层，都极大提升计算量，算力要求极大

机器学习SVM等算法，需要人工给标注，即专家标注流程；深度学习可以完全解决人工标注这件事情，相比于机器学习，不需要中间人工标注过程介入，提高效率