資料內(nèi)容：
三、AI 技術(shù)
業(yè)內(nèi)通常將人工智能分類為機器學(xué)習(xí)、計算機視覺、語音交互和自然語言處理四大領(lǐng)域，
機器學(xué)習(xí)可以理解為是其他三大領(lǐng)域的底層基礎(chǔ)，大致可以分為監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、
強化學(xué)習(xí)、遷移學(xué)習(xí)。
本文在此基本不涉及公式，盡量以平直易懂的語言講述這幾種機器學(xué)習(xí)方法及相關(guān)算法。
個人認為在實戰(zhàn)過程中根據(jù)工作需要再深入學(xué)習(xí)這些算法，會更有針對性而且效率會更高，
事半功倍。
3.1 機器學(xué)習(xí)
概念：投喂給機器訓(xùn)練數(shù)據(jù)，機器從這些數(shù)據(jù)中找出一個能夠良好擬合已有數(shù)據(jù)的函數(shù)，
新數(shù)據(jù)來了后，就可以通過這個函數(shù)預(yù)測對應(yīng)結(jié)果。
適合解決的問題：有規(guī)律可以學(xué)習(xí)、編程很難做到、有能夠?qū)W習(xí)到規(guī)律的數(shù)據(jù)。
工作方式：
根據(jù)任務(wù)目標(biāo)確定算法；
在預(yù)處理階段把數(shù)據(jù)分成三組：訓(xùn)練數(shù)據(jù)（用來訓(xùn)練模型）、驗證數(shù)據(jù)（開發(fā)過程中用于
調(diào)參）、 測試數(shù)據(jù)（測試用）；
用訓(xùn)練數(shù)據(jù)來構(gòu)建使用相關(guān)特征的模型；
把驗證數(shù)據(jù)接入模型調(diào)參；
用測試數(shù)據(jù)檢查被驗證的模型的表現(xiàn)；
用完全訓(xùn)練好的模型在新數(shù)據(jù)上做預(yù)測；
用更多數(shù)據(jù)或選取不同特征以及利用調(diào)整過的參數(shù)來提升優(yōu)化算法的性能表現(xiàn)。
分類：按學(xué)習(xí)方式可以分為監(jiān)督學(xué)習(xí)（包括半監(jiān)督學(xué)習(xí)）、無監(jiān)督學(xué)習(xí)、強化學(xué)習(xí)、遷移
學(xué)習(xí)。
3.2 監(jiān)督學(xué)習(xí)
概念：機器學(xué)習(xí)的一種，通過學(xué)習(xí)許多有標(biāo)簽的樣本，得到特征值和標(biāo)記值之間的對應(yīng)規(guī)
律，然后對新的數(shù)據(jù)做出預(yù)測。
分類：根據(jù)輸入數(shù)據(jù) x 預(yù)測出輸出數(shù)據(jù) y，如果 y 是整數(shù)的類別編號，則稱為分類問題，
算法包括：決策樹、隨機森林、貝葉斯、KNN、SVM、邏輯回歸。如果 y 是實數(shù)值，則為回
歸問題，算法包括決策樹、隨機森林、KNN、SVM、線性回歸。
主流算法：
1）決策樹算法
基本原理：決策樹是一個樹結(jié)構(gòu)，每個非葉節(jié)點表示一個特征屬性，每個分支代表這個特
征屬性在某值域上的輸出，每個葉節(jié)點存放一個類別。使用決策樹進行決策的過程就是從
根節(jié)點開始，測試待分類項中相應(yīng)的特征屬性，并按照其值選擇輸出分支，直到到達某個
葉節(jié)點，該葉節(jié)點存放的類別即為決策結(jié)果。
