機械學習框架、分類

https://news.cnblogs.com/n/586233

迎來PyTorch，告別Theano，2017深度學習框架發展大盤點  2018-01-02 15:06

Facebook 開源 PyTorch，成爲 TensorFlow 強敵

Theano 完成歷史使命，功成身退

ONNX 開放平臺橫空出世，力圖促進開放的開發生態

CNTK，Keras，MXNet 均迎來重大更新

微軟攜手亞馬遜推出 Gluon 深度學習庫，英特爾推出加強學習框架 Coach

針對移動終端，Caffe2 和 TensorFlow Lite 前後開源

 

人機巔峯對決： 人工智能技術解析   柯潔 AlphaGo 人機對戰點評   廣發金工研報

人工智能定義：致力於讓機器變得智能的活動，而智能就是使實體在其環境中有遠見地、適當地實現功能性的能力。

一、人工智能日新月異主要緣由：一、算法的突破，二、數據的增加，三、硬件的發展，四、開源軟件流行。

二、機器學習是人工智能的重要分支，主要研究如何讓計算機經過經驗和數據的學習提升性能。

三、近年來人工智能的發展主要是機器學習技術的發展。以深度學習爲首的人工智能技術日新月異。 在語音識別、圖像識別等
傳統的機器學習領域裏，深度學習實現了機器學習性能的飛躍，對衝基金領域開始爭奪人工智能人才。

四、機器學習能夠分爲三大類： 監督學習、無監督學習和加強學習。

監督學習：給定一組數據的同時，咱們知道正確的輸出結果應該是什麼樣子。經過學習，創建起輸入數據和輸出數據之間的關係。

無監督學習：是指數據樣本中沒有給定輸出信息，但願從數據中挖掘信息。

加強學習：咱們經過「試驗-反饋-優化」的方式，經過周圍環境對於反覆試驗所反饋的信息來改進策略，並最終找到滿意的方案。

五、深度學習在機器學習領域的重大突破

語言識別、圖像識別、無人駕駛、智能推薦系統、藥物活性預測、天然語言處理、人臉識別支付、醫學影像識別、網絡廣告點擊率預測等

CPU GPU TPU比較：

CPU：中央處理器、通用計算、結構複雜、擅長處理具備複雜步驟和複雜數據依賴的計算任務

GPU：圖形處理器、專用計算、結構統1、運算速度高、擅長圖像處理、數據吞吐量大，更適合人工智能大數據的應用

TPU：專門爲機器學習應用而設計的專用芯片、執行單一工做、機器學習模型在芯片上運行的更快、吞吐量更大

6、監督學習

一、監督學習分類：根據輸出變量不一樣類型分類，輸入變量和輸出變量均爲連續變量的監督學習稱爲迴歸；輸出變量爲有限個離散變量的監督學習稱爲分類。

二、監督學習分爲學習和預測兩個過程，由學習系統與預測系統組成，學習系統通常是經過參數優化，得到最優的機器學習模型；預測系統是使用訓練好

的數據，對未知的新數據進行預測。

三、經常使用監督學習方法有：邏輯迴歸、k最近鄰（KNN）算法、貝葉斯分類器、核迴歸、支持向量機（SVM）、神經網絡、深度學習等。

7、無監督學習

一、常見例子：聚類、關聯規則挖掘、離羣點檢測等，隱馬爾科夫模型（HMM）也屬於無監督學習方法，應用在語音識別中很是成功。

8、半監督學習

一、定義：部分樣本有輸出數據Y，部分樣本沒有輸出數據。

二、因爲實際問題中不少樣本是不含標籤的， 這類學習模型能夠結合監督學習和無監督學習各自的優勢， 挖掘出更多的信息。

9、加強學習

一、加強學習的過程當中，智能體(Agent)首先會從環境(Environment)中得到相應的環境狀態(State)，隨後智能體會依照一個事先肯定的策略(Policy)，去選擇

一個行爲(Action)做用於環境。這個行爲會對環境的狀態產生改變， 同時， 環境向智能體對其行爲反饋一個獎賞(Reward)。智能體將會根據試驗結束後

所累積的反饋獎賞來對自身的策略進行優化，以期在下一次嘗試中得到更多的獎賞。