人工智能基础知识入门

人工智能基础知识入门

本分类包括AI人工智能、机器学习、算法、深度学习......

涉及知识很广：高等数学、线性代数、概率论、经济学等等方面的知识。

开始今天的文章：

背景：

首先，大家看下面这张图片，可以看出这就是一个锤子，但是让我们想想锤子是怎么生产出来的呢？

寻找材料->给锤子造型->高温打造->入水进一步塑性...

锤子的建造是不是根据我们需要的需求一步一步变化的呢？答案是当然的，是不是可以归纳为：

不同的输入对应不同的输出 显然，没问题 这是不是就和我们以前学的函数y=f(x)联系起来啦。

在美国，曾经有这么一个节目（Plinko），大概就是在现场挑选一名幸运观众到台上完成一个游戏，将圆球从大板上扔下来如果扔到对应的轨道里就获得相应的奖品。

这里是不是就可以把扔球的位置看做一个变量，结果看做一个对应的值呢 一个输入对应一个输出

来看一下这位观众中奖时的样子，大致看一下：

背景分享完了，下面我们直接奔向主题：
 抓取原理，借助数学知识，解决实际的问题（例如：如何让我们每次扔圆球都扔到中奖的位置呢？），这里就是通过简单的公式去验证原理，而是通过代码实现的方式去证明。

圆球位置的变化会让结果也发生变化，很强大的理论。

可以理解为：输入对应输出

我们通过大量的实验来找到这里面的规律，我们就可以结合AI知识开发一个智能机器人，通过扔圆球来获得大奖。

简单来说就是，通过数据，数据会说话（转化为一种信息），建立一个模型（方法）来解决实际的问题，再通过数据来训练模型，最后我们就可以通过feature来预测label了！

 

 

 

 人类通过回忆之前的经历，衍生出经验，对于下次类似的事情就有解决的办法，对应的解决措施。例如：上图的决策树，判断条件 判断结果。通过天气因素，判断车的到达时间，我们就可以通过收集大量的数据，选择一个模型，从而实现预测。

 机器学习其实就是通过以前的数据，找出规律，建立模型，从而预测未来。机器学习是实现人工智能（AI）的一个途径。

 

 机器学习和我们备战高考其实是一样的道理，我们通过做模拟题，找到出题规律，对一些题目建立模型，找到方法，我们模拟的分数越高，我们的高考成绩就会相应的预测的更好。

模拟一个扔圆球的游戏，来进行分析，最后预测不同位置所对应的不同结果。

 

 通过map()函数，通过设置函数，对应一个新的列表。

 Python中的numpy库有两种排序，一种是排序后返回列表，另一种是通过返回下标。

这里我们选择knn算法模型进行代码实现预测：

 

 这样就可以通过这个简单的knn（一维方法）进行预测，预测的效果可能不是很精确，接下来就要采取措施提高模型优化。

解决方案：

 调参增加数据维度增加测试数据改变模型，改变算法

重新优化数据集：

分为训练集和测试集（比例大概10:1）

 k的选择

 一般选择训练集的条数开根号,上下15个百分点适宜...

 通过我们收集的预测导入得出：

 补充：
处理数据，把数据充分打散，拆分成训练集和测试集

如何计算准确率：

 如果找到最好的参数后，准确率还不够的话，我们就进入到下一步，增加变量的个数.

增加新的变量：

我们研究的数据都是基于数字，所以这里就将球颜色的信息转化为球的d性数据，如何转换呢？

可以在加载test_data数据的时候进可以转换，np.loadtxt(...)中的api coverters={数据列数（从0开始数）:转换函数}  同时注意设置的编码  编码要与读取文件的编码匹配

 

 假设变量是多维度的，那我们如何进行呢？

这里就要定义一个新的参考概念了，欧氏距离！

d=根号下所有变量与预测变量差的平方之和

 

 那我们新的代码就可以写了，增加变量feature：

 

但是，这样做精确率并没有上升多少，为什么？？？

因为颜色这个指标的差距实在太小，我们需要换方法，在原来模型的基础上再次调优！

引入数据处理之数据归一化，数据整形：
 

 让每一个变量都有发言权！不会再因为变量之间的差距过于小而没有效果。

 其实就是设置一个比例，各个变量设置比例即可

代码实现：

 可以看出还影响小球落地位置的因素，假设变量足够多，我们又该如何是好呢？难道继续采用挨个变量归一化设置标准欧式距离吗？？？

 

接下来，向量出场了！

 

 向量之向量的点乘概念：

有必要说一下两个向量之间的夹角，如果夹角越小，他的余弦值就越大，代表两个向量就越接近，例如：我们的推荐系统，猜你喜欢，就是根据向量的点乘实现的。两个商品就好像是两个向量，如果他们之间的夹角越小，点乘的结果越大，两个商品就越相似，就越推荐相似的商品给客户。

 

 

以上就是使用基本的知识实feature对应的label结果...

谢谢大家的阅读！！！