人工智能包括哪些方面(符合人工智能概念的产品)( 二 ) _小知识

05 强化学习强化学习是一种特殊的学习方法，需要与监控和无监督方法分开对待。强化学习涉及来自环境的反馈，因此不是完全无监督的。但是它没有一组可以用于训练的符号样本，所以不能认为是监督的。在强化学习方法中，系统不断与环境交互，以追求期望的动作，并从环境中获得反馈。

文章插图
06 静态学习对机器学习方法进行分类的另一种方法是根据它们处理的数据类型进行分类。吸收静态标记数据的系统称为静态学习方法。处理随时间和光线不断变化的数据的系统称为动态方法。每种方法都可以被监控或无监督，但是强化学习方法总是动态的。
静态学习是指学习作为单个快照获得的数据，数据的属性在任何时候都保持不变。一旦在数据上对模型进行训练(应用监控学习或无监督学习) ，训练好的模型就可以在未来的任何时候应用于类似的数据，并且模型仍然有效，并且将按预期执行。一个典型的例子是不同动物的图像分类。
07 动态学习这也叫基于时间序列的学习。这类问题中的数据对时间敏感，会随着时间而变化。因此，模型训练不是一个静态的过程，而是需要不断地(或在每个合理的时间窗之后)训练模型，才能坚持有效性。
这类问题的典型例子是天气预报或股市预测。一年前训练出来的模型，对于预测明天的天气或者明天任何一只股票的价格，都是完全没有用的。两种类型的根本区别在于情境的概念。在静态模型中，模型的状态是恒定的，而在动态模型中，模型的状态是时间的函数，是不断变化的。

文章插图
08 维数在处理各种数据集时，维度通常是一个令人困惑的概念。从物理角度看，尺寸为空尺寸:长、宽、高。(为了简洁起见，我们不把时间作为深入研究物理的第四维。)在任何现实生活场景中，我们遇到的不外乎这三个维度。
然而，当我们处理机器学习的数据时，通常有几十个、几百个甚至更多的维度。为了理解这些维度，我们需要研究维度的基本性质。
空之间的尺寸被定义为每个尺寸垂直于或正交于其他两个尺寸。这种正交性对于三维空空间中的所有点都是唯一的至关重要。如果维度彼此不正交，那么空中的相似性可以有各种表现，所有基于此的数学计算都会失败。
例如，如果我们将三个坐标设置为长、宽、高，并且有任意原点(原点的准确位置只会改变坐标值，但不会影响唯一性属性，所以只要在整个计算过程中保持不变，就可以选择任意原点。)
坐标(0 ， 0 ， 0)标记原点本身的位置。坐标(1 ， 1 ， 1)将标记一个点空，该点在每个维度中距离原点一个单位，并且是唯一的。在空中没有其他坐标系可以表示相同的位置。
现在，让我们把这个概念扩展到更高的维度。用数学方法添加更多维度相对容易，但很难用空可视化它们。如果我们加上第四维，它必须与前面所有的三维正交。在这样的四维空空间中，原点的坐标是(0 ， 0 ， 0 ， 0) 。三维空间空中的点(1 ， 1 ， 1)在四维空间空中可以有坐标(1 ， 1 ， 1 ， 0) 。
只要保证正交性，就能保证坐标的唯一性。同样，我们可以有任意数量的维度，所有的数学计算仍然有效。
考虑前面描述的虹膜数据示例。输入有四个特征:萼片和花瓣的长度和宽度。因为这四个特征是相互独立的，所以可以认为是正交的。因此，在应用虹膜数据解决问题时，我们实际上是在处理四维输入空。

文章插图
09 维数灾害即使从数学的角度来看，增加任何维数都可以，但还是有问题。随着维数的增加，数据密度呈指数级下降。
例如，如果我们在训练数据中有1000个数据点，并且数据具有三个独特的特征。假设所有特征的值都在1和10之间。所有这1000个数据点都位于一个大小为101010的立方体中。因此，密度为1000/1000或每单位立方体1个样品。如果有五个而不是三个独特的特征，数据密度将很快降低到每单位5维立方体0.01个样本。