江苏龙网

  1. 主页 > 生活百科 > >

培训方法解析 人工智能产品经理培训( 二 )


分类（classification）：给定一个样本特征，我们要预测其对应的标记值，如果属性值是离散的，那么这就是一个分类问题 。回归（classification）：给定一个样本特征，我们要预测其对应的标记值，如果属性值是连续的，那么这就是一个回归问题 。聚类（clustering）：给定一组样本特征，我们没有对应的标记值，而是想发掘这组样本在空间的分布，比如分析哪些样本离得近，哪些样本离得远，那么这就是一个聚类问题 。降维（dimensionality reduction）：给定一组样本特征，如果需要用维数低的子空间来表示原来高维的特征空间，那么这就是降维问题 。作为一个产品经理，笔者建议要对机器学习的学习模式有深入的了解，要知道各种学习模式主要是用来做什么的 。只有了解这些内容，才能和工程师形成有效的沟通 。
1. 有监督学习 监督学习就是用标注的历史数据进行训练，得到一个模型，然后输入新的数据，根据模型得到一个解 。
如图所示，监督学习算法使用标记数据集生成模型，然后使用带有新数据的模型来验证模型的准确性，或者使用实时数据将模型应用到生产环境中 。
监督学习需要大量的数据作为训练数据，而如果有数据在手，如何划分训练数据和测试数据是一个很头疼的问题 。如果训练数据太少，模型可能不准确，而如果训练数据太多，验证数据可能会受到太多噪声的影响 。
一般建议训练数据和测试数据的比例为6:4到8:2 。
1)监督学习过程:
用一个例子来说明监督学习的过程 。我们想做的功能是用户上传一张照片，系统识别照片是不是自己 。你上传的照片可能是全身，半身，或者只有一只眼睛的特写 。
第一步，数据生成和分类:首先，收集足够多的关于“你”的照片，包括全身、胸围、正面和侧面 。只要一个组中有你的图像，这个组就叫做训练集，用于训练 。
另外，再准备一套照片 。这些照片只有一部分有你的形象，另一部分是别人的照片 。这部分叫做验证集，用来检查训练好的算法模型是否能识别你 。将验证集作为输入，得到一些输出 。有你的照片输出为1，没有你的输出为0 。
第二步，训练:通过神经网络进行训练时，训练集中的每一幅图像都会作为神经网络的输入，通过神经网络中每一层的神经元计算进行特征提取 。当计算完所有神经元后，会得到最右边的输出，不管是1还是0 。
第三步，验证:此时，第一组的数据已经全部用完 。接下来，我们将使用第二组数据来验证训练好的模型的准确性 。在这个过程中，涉及到超参数优化、激活函数的选择等 。
第四步，打包应用:一旦数据验证指标达到预期的设定指标，就对模型进行训练 。该模型可以封装为一个接口并集成到软件中 。软件通过界面与用户交互 。当用户上传照片时，软件会自动调用接口完成计算，并将结果返回给软件程序接口 。
2)一些经典的监督学习算法:
作为人工智能产品经理，不一定要会设计算法，不一定要具体实现算法，但一定要知道算法的内容、特点和能达到的目标 。下一节将介绍两种监督学习算法，即SVM和朴素贝叶斯分类器，产品经理可以有选择地阅读 。
SVM(支持向量机):
SVM是一个非常流行的监督学习模型，可用于分类或回归 。SVM可以有效解决小样本、非线性和高纬度模式识别问题 。因此，SVM被广泛使用 。我们先假设一个2D 空的房间里有不同的人物，如图:
C1和C2是空中的两个类别，C1是一个圆柱体，C2是一个立方体，而中间的可以用一条斜率为w的斜线来区分，斜线就是分类函数，可以将两个样本完全分开 。如果一个线性函数能够完全分离样本，那么数据一般称为线性可分，否则称为非线性可分 。
分类函数是一维的点空，二维的直线空，三维的平面空 。当然还有维数更高或者无穷维的分类函数，所以分类函数也有一个统称叫超平面 。
聪明人自然会发现，上图中的对角线其实是可以左右移动的，如下图所示:
SVM的目的是寻找一个超平面，该超平面可以将样本分成分类区间最大的两类，这是SVM的基本理论模型 。
当然，如果世界上所有的物体都是均匀有规律的分布，很容易计算出结果，但现实世界中并非如此，往往是如图所示的情况 。圆柱体和正方形不规则地散布在这个平面上 。
这种图用一个简单的函数来分类几乎是不可能的 。
于是科学家提出了另一个概念“核函数” 。意味着可以将样本从原来的空空间映射到更高维度的空空间，最后通过高纬空空间中的映射划分完成线性划分 。


推荐阅读


上一篇：设计师必看这十大交互原则 尼尔森十大交互原则有哪些

下一篇：捡漏族必看这些技巧 淘宝拍卖捡漏技巧是什么