人工智能算法

大家常常讲，人工智能三大要素：算法、计算、大数据，人工智能算法上个世纪五六十年代就有了相关人工智能，算法。目前人工智能的算法，针对不同行业有随之不同的算法。很多人在学习和生活工作当中或多或少的提及算法，这个算法到底是什么算法，他有什么用，我们用常见的几种人工智能算法进行分析介绍，仅供参考。

监督学习：监督学习是学习函数的机器学习任务，该函数基于示例输入 - 输出对将输入映射到输出。[1]它推断出一个函数标记的训练数据由一组训练样例组成。[2] 在监督学习，每个实施例是一个对由输入物体（通常为矢量）和期望的输出值的（也称为监控信号）。监督学习算法分析训练数据并产生推断函数，该函数可用于映射新示例。最佳方案将允许算法正确地确定看不见的实例的类标签。这要求学习算法以“合理”的方式从训练数据推广到看不见的情况（参见归纳偏差）。人类和动物心理学中的平行任务通常被称为概念学习。

无监督学习：无监督机器学习是推断描述“未标记”数据结构（即未被分类或分类的数据）的功能的机器学习任务。由于给予学习算法的示例是未标记的，因此没有直接的方法来评估由算法产生的结构的准确性 - 一种将无监督学习与监督学习和强化学习区分开的特征。

无监督学习的中心的应用是在领域密度估计在统计，[1]虽然无监督学习包含许多其他的问题（和解决方案）涉及总结和解释数据的各种主要功能。

强化学习：强化学习（RL）是机器学习的一个领域，涉及软件代理如何在环境中采取行动以最大化一些累积奖励的概念。该问题由于其一般性，在许多其他学科中得到研究，如博弈论，控制理论，运筹学，信息论，基于仿真的优化，多智能体系统，群智能，统计和遗传算法。。在运筹学和控制文献中，强化学习被称为近似动态规划或神经动态规划。[1] [2] 在最优控制理论中也研究了对强化学习感兴趣的问题，该理论主要关注最优解的存在和表征，以及精确计算的算法，而不是学习或近似。特别是在没有环境数学模型的情况下。在经济学和博弈论中，强化学习可以用来解释在有限理性下如何产生均衡。[引文需要 ]

在机器学习中，环境通常被表述为马尔可夫决策过程（MDP），因为用于该上下文的许多强化学习算法利用动态编程技术。[2] [1] [3]经典动态规划方法和强化学习算法之间的主要区别在于后者不假设MDP的精确数学模型的知识，并且它们针对精确方法变得不可行的大型MDP。[2] [1]

强化学习与标准监督学习的不同之处在于，不需要呈现正确的输入/输出对[ 需要澄清 ]，并且不需要明确地校正次优动作。相反，重点是绩效[ 需要澄清 ]，其涉及在探索（未知领域）和利用（当前知识）之间找到平衡。[4]通过多臂强盗问题和有限的MDP，对探索与开发权衡进行了最彻底的研究。[ 引证需要 ]

算法类似性:根据算法的功能和形式的类似性，我们可以把算法分类，比如说基于树的算法，基于神经网络的算法等等。当然，机器学习的范围非常庞大，有些算法很难明确归类到某一类。而对于有些分类来说，同一分类的算法可以针对不同类型的问题。这里，我们尽量把常用的算法按照最容易理解的方式进行分类。

决策树学习：决策树学习使用决策树（作为预测模型）从关于项目（在分支中表示）的观察到关于项目的目标值（在叶子中表示）的结论。它是统计，数据挖掘和机器学习中使用的预测建模方法之一。目标变量可以采用一组离散值的树模型称为分类树 ; 在这些树结构中，叶子代表类标签，分支代表连词导致这些类标签的功能。目标变量可以采用连续值（通常是实数）的决策树称为回归树。

在决策分析中，决策树可用于在视觉上和明确地表示决策和决策。在数据挖掘中，决策树描述数据（但是得到的分类树可以是用于决策的输入）。此页面处理数据挖掘中的决策树。

贝叶斯算法：贝叶斯推断是一种统计推断方法，其中贝叶斯定理用于在更多证据或信息可用时更新假设的概率。贝叶斯推理是统计学中的一项重要技术，特别是在数理统计中。贝叶斯更新在动态分析数据序列中尤为重要。贝叶斯推理已经应用于广泛的活动，包括科学，工程，哲学，医学，运动和法律。在决策理论的哲学中，贝叶斯推理与主观概率密切相关，通常称为“ 贝叶斯概率 ”。

内核方法;在机器学习中，内核方法是一类用于模式分析的算法，其最着名的成员是支持向量机（SVM）。模式分析的一般任务是在数据集中查找和研究一般类型的关系（例如聚类，排名，主成分，相关性，分类）。对于许多解决这些任务的算法，原始表示中的数据必须通过用户指定的特征映射显式转换为特征向量表示：相反，内核方法仅需要用户指定的内核，即原始表示中的数据点对上的相似性函数。

内核方法的名称来源于内核函数的使用，这使得它们能够在高维，隐式 特征空间中运行而无需计算该空间中数据的坐标，而是通过简单地计算内部产品的图像之间的内部产品。特征空间中的所有数据对。该操作通常在计算上比显着计算坐标便宜。这种方法被称为“ 核心技巧 ” [1]。已经为序列数据，图形，文本，图像以及向量引入了核函数。

能够与内核一起操作的算法包括内核感知器，支持向量机（SVM），高斯过程，主成分分析（PCA），典型相关分析，岭回归，谱聚类，线性自适应滤波器等等。通过将核心技巧应用于模型，可以将任何线性模型转换为非线性模型：通过核函数替换其特征（预测变量）[ 需要引证 ]。

大多数核算法都基于凸优化或特征问题，并且在统计上是有根据的。通常，使用统计学习理论（例如，使用Rademacher复杂性）分析它们的统计特性。

聚类算法：聚类分析或聚类是对一组对象进行分组的任务，使得同一组（称为聚类）中的对象（在某种意义上）与其他组（聚类）中的对象更相似（在某种意义上）。它是探索性数据挖掘的主要任务，也是统计 数据分析的常用技术，用于许多领域，包括机器学习，模式识别，图像分析，信息检索，生物信息学，数据压缩和计算机图形学。

聚类分析本身不是一个特定的算法，而是要解决的一般任务。它可以通过各种算法来实现，这些算法在理解群集的构成以及如何有效地找到它们方面存在显着差异。流行的群集概念包括群集成员之间距离较小的群体，数据空间的密集区域，间隔或特定的统计分布。因此，聚类可以表述为多目标优化问题。适当的聚类算法和参数设置（包括距离函数等参数）使用，密度阈值或预期聚类的数量）取决于个体数据集和结果的预期用途。这样的聚类分析不是自动任务，而是涉及试验和失败的知识发现或交互式多目标优化的迭代过程。通常需要修改数据预处理和模型参数，直到结果达到所需的属性。

除了术语聚类之外，还有许多具有相似含义的术语，包括自动分类，数值分类，植物学（来自希腊语βότρυς“葡萄”）和类型学分析。细微差别通常在于结果的使用：在数据挖掘中，所得到的组是感兴趣的问题，在自动分类中，所产生的判别力是有意义的。

聚类分析起源于1932年由Driver和Kroeber提出的人类学，1938年由Zubin和1939 年的Robert Tryon [1] [2]引入心理学，并于1943年开始被Cattell用于人格心理学中的特质理论分类[3]。

关联规则学习：关联规则学习是一种基于规则的机器学习方法，用于发现大型数据库中变量之间的有趣关系。它旨在使用一些有趣的度量来识别在数据库中发现的强规则基于强有力规则的概念，介绍了关联规则，用于发现超市中销售点（POS）系统记录的大规模交易数据中产品之间的规律性。例如，规则 在超市的销售数据中发现，如果顾客一起购买洋葱和土豆，他们也可能会购买汉堡肉。这些信息可以用作关于营销活动的决策的基础，例如促销定价或产品放置。除了市场购物篮分析的上述示例之外，目前在许多应用领域中使用关联规则，包括Web使用挖掘，入侵检测，连续生产和生物信息学。与序列挖掘相反，关联规则学习通常不考虑事务内或跨事务的项目顺序。

人工神经网络：

人工神经网络（ANN）或连接系统是由构成动物大脑的生物神经网络模糊地启发的计算系统。

]此类系统通过考虑示例来“学习”执行任务，通常不使用任何特定于任务的规则进行编程。例如，在图像识别中，他们可能通过分析已手动标记的示例图像来学习识别包含猫的图像作为“猫”或“没有猫”并使用结果来识别其他图像中的猫。他们在没有关于猫的任何先验知识的情况下这样做，例如，他们有毛皮，尾巴，胡须和猫般的面孔。相反，它们会自动从他们处理的学习资料中生成识别特征。

ANN是基于一组连接的单元或节点，称为人工神经元，它们松散地模拟生物大脑中的神经元。每个连接，如生物大脑中的突触，可以将信号从一个人工神经元传递到另一个人工神经元。接收信号的人工神经元可以处理它，然后发信号通知与之相连的其他人工神经元。

在常见的ANN实现中，人工神经元之间的连接处的信号是实数，并且每个人工神经元的输出通过其输入之和的一些非线性函数来计算。人工神经元之间的联系称为“边缘”。人工神经元和边缘通常具有重量随着学习的进行而调整。重量增加或减少连接处信号的强度。人工神经元可以具有阈值，使得仅在聚合信号超过该阈值时才发送信号。通常，人工神经元聚集成层。不同的层可以对其输入执行不同类型的转换。信号可能在多次遍历各层之后从第一层（输入层）传播到最后一层（输出层）。

人工神经网络方法的最初目标是以与人类大脑相同的方式解决问题。然而，随着时间的推移，注意力转移到执行特定任务，导致偏离生物学。人工神经网络已经用于各种任务，包括计算机视觉，语音识别，机器翻译，社交网络过滤，游戏板和视频游戏以及医学诊断。

深度学习：深度学习（也称为深度结构化学习或分层学习）是基于学习数据表示的更广泛的机器学习方法系列的一部分，而不是特定于任务的算法。学习可以是监督，半监督或无监督。

深度学习架构，如深度神经网络，深度信念网络和递归神经网络，已应用于计算机视觉，语音识别，自然语言处理，音频识别，社交网络过滤，机器翻译，生物信息学，药物设计和棋盘游戏程序等领域。 ，他们产生的结果可与人类专家相媲美，在某些情况下优于人类专家。

深度学习模型受到生物神经系统中信息处理和通信模式的模糊启发，但与生物大脑的结构和功能特性存在各种差异，这使得它们与神经科学证据不相容。