|
人工智能，几经波折，起起落落。2016年3月，AlphaGo在围棋领域击败了韩国顶尖棋手李世石之后，它的热度又一次被点燃，瞬间成为了家喻户晓的科技明星。 那么类似这种棋谱策略游戏方面的人工智能，它是什么样的技术呢？ 首先，小编为大家介绍一下人工智能这一概念。 人工智能（Artificial Intelligence），即AI，它是计算机科学的一个分支，它是研究、研发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 它企图了解智能的本质，并且能以人类的智能方式做出反应的智能机器，该领域的研究包括语音识别、图像识别、自然语言处理等。 人工智能的概念比较宽泛，它包括机器学习和深度学习，并且每次技术的变革都是在解决相关智能技术遇到的瓶颈问题。 比如：深度学习在机器学习的基础上引入了神经网络，它可以自动学习特征和任务之间的关联，还能从简单特征中提取复杂的特征，这样就解决了传统机器学习特征提取问题难的弊端。 今天小编主要给大家介绍几种机器学习的算法，为以后的深度学习打基础： 算法一：逻辑回归(Logistic Regression, LR) 它为逻辑回归分析，是分类和预测算法中的一种。采用的是监督学习的方式，通过分析历史数据特征来对未来事件发生的概率进行预测。 代表函数是sigmoid函数，它具有我们需要的一切优美特性，其定义域在全体实数，值域在[0, 1]之间，并且在0点值为0.5。公式如下： 那么，如何将f(x)转变为sigmoid函数呢？ 设p(x)=1即为表示具有特征x的样本被分到类别1的概率，那么p(x)/[1-p(x)]则被定义为让步比(odds ratio)。 为了解除p(x)，则引入对数： 那么可得：
此时的p（x）这就是需要的sigmoid函数。如果要机器学习，那么根据已知数据，拟合出该式中n个参数c即可。 算法二：决策树 它的思想是：寻找一种算法，计算机可以根据该算法完成像if-else结构一样从根开始不断判断选择到叶子节点的树，这样的树就称为决策树。 该方法的重点就在于如何从这么多的特征中选择出有价值的，并且按照最好的顺序由根到叶。
信息增益则是最常见的算法之一。它划分数据集的规则是将无序的数据变得更加有序。它涉及到信息的有序无序问题，那么就要考虑信息熵（另一种方法是基尼不纯度）了。 熵在信息论中代表随机变量不确定度的度量。一个离散型随机变量 X的熵 H(X)定义为：
P(x)，i＝1，2，…，X为信源取第i个符号的概率 信息熵用来衡量信息量的大小： 若不确定性越大，则信息量越大，熵越大； 若不确定性越小，则信息量越小，熵越小。 比如我们要计算“夏天下雪”这个事件的信息熵，这个信息量很大，那么熵也很大。
该算法计算复杂度不高，输出结果易于理解，对中间值缺失不敏感，可以处理不相关的特征数据，它是一种非参数的监督式学习的方法，常常用于分类和回归。
情况三：朴素贝叶斯 在机器学习分类算法中，朴素贝叶斯和绝大多数的分类算法不同。 例如：逻辑回归（LR），svm,决策树,KNN等等，这些都是判别方法。 他们是直接学习出特征输出Y和特征X之间的关系:决策函数Y = F(X)或条件分布P(Y|X)，然而朴素贝叶斯是生成方法，它直接找出特征输出Y和特征X的联合分布P(X,Y),则可知：P(Y|X) = P(X,Y)/P（X） 首先回顾一下朴素贝叶斯相关的统计学知识： 贝叶斯的思想可以等效为：先验概率 数据=后验概率。 一般来说先验概率就是我们对于数据所在领域的历史经验，但是这个经验常常难以量化或者模型化，那么我们可以假设先验分布的模型，比如正态分布，高斯分布等。 假如X和Y相互独立，则有：
假如X和Y不相互独立，则公式：
Or:
那么，则有全概率公式：
从上面的公式很容易得出贝叶斯公式：
该算法在scikit-learn中，一共有3个朴素贝叶斯的分类算法类。 它们分别是GaussianNB，BernoulliNB和MultinomialNB。 其中： 1）GaussianNB表示先验为高斯分布的朴素贝叶斯； 2）BernoulliNB表示先验为伯努利分布的朴素贝叶斯； 3）MultinomialNB表示先验为多项式分布的朴素贝叶斯。 这三个类适用的分类场景各不相同，一般来说： 1）假如样本特征的分布绝大部分是连续值，使用GaussianNB； 2）假如样本特征是二元离散值或者很稀疏的多元离散值，则BernoulliNB； 3）假如样本特征的大部分是多元离散值，使用MultinomialNB。 总之在很多实际应用中，贝叶斯理论很好用，比如垃圾邮件分类，文本分类。
总之机器学习算法是构架深度学习神经网络的基础，只有我们打好了基础，我们才能更好的学习，深度学习的精髓。
最后小编推荐，DeepMind团队和暴雪公司给大家提供了基于星际争霸II的强化学习环境SC2LE，它提供一个开源的Python界面，用于与游戏引擎进行通信，据相关的强化学习算法构造一个基于游戏行为的控制策略。希望大家体验下。 本文属于由科技原创，转载请联系后台 文|由小来 |
|
|
