人工智能该怎么学？
人工智能该怎么学，有没有介绍总纲、提要、算法原理的视频？有没有视频能在短时间内让我搞懂人工智能大概是怎么回事，需要学什么，对全局有个宏观介绍的视频？ 可以去B站上看看教程，现在还是有比较多开源的入门课程。
我目前对机器学习的浅层理解就是，找到一个函数，能预测出你想要达到的结果。举个比较简单的例子，人类去判断一个人是男是女，可能会去通过一些特征比如说头发长短，喉结有无，指甲长短，等等这些都可以是影响因素我们称之为特征，然后它与我们需要判断的结果是男是女可能中间存在着某个数学关系通过函数进行映射，但是这个函数我们人类是没有办法自己定义的，所以我们可以通过机器去把一些已有的数据输入让他尽可能的找到这个函数，最后得到这个函数最为我们最初需要输出的函数，eg如果是线性关系有可能表达为y= Wx+ b 或者更复杂的 高次的多项式 都有可能哈
最后我们再利用这个函数去判断我们的之后没经过测试的数据就可以啦！ 不知道说的明不明白，当然这只是哥初阶哈 说的好好呀，能不能在多说一些，我想要的就是用简单的话，说清大概原理，看看对我有吸引力没，在决定学习与否。 Victor0321 发表于 2022-6-4 16:45
可以去B站上看看教程，现在还是有比较多开源的入门课程。
我目前对机器学习的浅层理解就是，找到一个函 ...
我给您采纳了，您能不能讲的在细点，万分感谢。 〃忝書γě渎ぐ 发表于 2022-6-5 23:04
我给您采纳了，您能不能讲的在细点，万分感谢。
emmmm其实简单来说就是机器学习的宗旨哈 就是利用已有的训练数据集（x1 ，y1），(x2, y2)（x3 , y3）…… 其中x 和 y 都是向量哈，x 包括了你觉得可能相关的特征（你不确定你可以做个plot图 看下xy之间有无关系）y就是你想预测的数据，也有可能是一维或者是多维的 。举个简单的例子 比如说我想做一个判断西瓜甜不甜的模型，其中输入的x可以是西瓜的大小，纹路，拍起来的声音，最后得到的数据y 你可以用0代表甜或者1代表不甜。当然了这是最简单的 二项分布 ，你也可以去预测一些连续的数据，比如说预测股市的走势，利用去年一年的数据，再加上一些你认为可能会影响走势的因素，比如说 这个公司的一些新闻，现在机器学习已经可以判断这个新闻是积极还是消极的了，
〃忝書γě渎ぐ 发表于 2022-6-5 23:04
我给您采纳了，您能不能讲的在细点，万分感谢。
然后你可以根据已有的x y 的分布估计一下 他俩之间的关系，有可能是简单的线性的，也有可能是复杂的多项式，或者说更复杂的sin / exp 等等 这个是你自己根据经验选的，但是都没那么绝对。然后就是机器学习其实就是在你把训练数据和模型都确认了之后，他会给你找到在所有训练数据里让它预测结果y‘ 跟真实结果y’ 最接近的一组参数，对于线性来说就是找另结果最接近的 w 和 b (y = wx + b 这是你最开始设的模型)，当然了后期你可能会用到比较复杂的模型）最后这个w b 再通过你的训练模型确认后，你可以看看你在训练模型里损失有多少（简单理解成正确率就可以了）你会再找一下测试数据（一般会比训练模型复杂点），最后看看你测试数据的正确率是否比较高就说明你成功了。 〃忝書γě渎ぐ 发表于 2022-6-5 23:04
我给您采纳了，您能不能讲的在细点，万分感谢。
btw 我也刚学没多久。。 有时间可以一起交流交流， Victor0321 发表于 2022-6-6 08:49
emmmm其实简单来说就是机器学习的宗旨哈 就是利用已有的训练数据集（x1 ，y1），(x2, y2)（x3 , y3） ...
还有一个比较重要的一步就是如何找到这个参数w 和b ，或者说函数的参数使得预估值和真实值最接近，比较常见且通用的方法就是梯度下降，求成本函数对参数w和b的偏导，然后通过不断的迭代 使得w和b 逼近极值。当然了 我们现在说的比较容易实际操作过程中还是有很多技巧和难度的，比如说哈，你利用梯度下降这个方法求出来的值不一定是最小值，有可能是local minima 也有可能是sadle point ，然后梯度下降法就会卡在这种点 不再更新。 所以解决办法里有利用adam 法 ，你可以理解成一个小球从山顶滚下山坡，中间可能有个局部最低点但是他不会停留在那 是因为他有一个惯性，使得继续往前冲。。。 Victor0321 发表于 2022-6-6 09:38
还有一个比较重要的一步就是如何找到这个参数w 和b ，或者说函数的参数使得预估值和真实值最接近，比较常 ...
如果可能的话，求您在多说点，简单打开了我新世界的大门。 没有 没有 我也是刚开始学， 大家可以互相交流学习一下的 Victor0321 发表于 2022-6-6 15:24
没有 没有 我也是刚开始学， 大家可以互相交流学习一下的
您是我命中的贵人呀，给我指出了新世界的大门。
页:
[1]