人工智能笔记分享

介绍
我整理了一些比较关键的、考试可能会考的点，只是为了应付考试，都是些概念，不涉及具体算法实现。希望对大家有所帮助！

人工智能

图灵测试

什么是图灵测试？

人和机器人对话， 且人不知道对方为计算机

三个老爷爷

阿兰·图灵、维纳、约翰·麦卡锡

分类

判断一个实物的类型，这样的过程在人工智能 领域里被成为分类

分类：根据所给数据的不同特点， 判断它属于哪个类别

分类与聚类的区别（重点）

• 省流：分类有监督，要预定义数据，分训练集测试集 聚类则不用，丢个数据让机器自己训练
• 应用场景：分类需提前指明分哪几类？否则只说分类特征的话，只能是聚类咯~

分类 (Classification)

1. 定义: 分类是一种监督学习方法，它将输入数据分配到预定义的类别中。
2. 目标: 通过学习一个模型来预测新数据点所属的类别。
3. 数据类型: 需要带有标签的数据集，即每个输入数据都有一个已知的输出类别。
4. 算法: 常见的分类算法包括决策树、随机森林、支持向量机（SVM）、k近邻算法（k-NN）、朴素贝叶斯和神经网络。
5. 应用: 分类问题的典型应用包括垃圾邮件检测（邮件是垃圾邮件或正常邮件）、图像识别（图像中是猫还是狗）、疾病诊断（病人是否患有某种疾病）等。

聚类 (Clustering)

1. 定义: 聚类是一种无监督学习方法，它将数据点分组为多个簇，使得同一个簇中的数据点彼此之间的相似度最大，不同簇的数据点之间的相似度最小。
2. 目标: 发现数据中的自然分组或结构，而不是预测新数据点所属的类别。
3. 数据类型: 不需要带有标签的数据集，即数据点没有预定义的输出类别。
4. 算法: 常见的聚类算法包括k均值（k-means）、层次聚类（hierarchical clustering）、DBSCAN（基于密度的聚类方法）和均值漂移（mean-shift）。
5. 应用: 聚类问题的典型应用包括客户细分（根据购买行为将客户分组）、图像分割（将图像像素分为不同区域）、文档分类（根据内容将文档分组）等。

特征提取 + 分类器（重点）

特征提取

如：花瓣长度 花瓣宽度 花瓣颜色 植株高度 花瓣面积 …

1、对同样的事物，我们可以提取出各种各样的特征
2、不同的特征对于分类器的准确分类会有很大的影响

表示方式：向量 （x1，x2，x3…）（长度，宽度，面积…）

• 提取特征是关键！

为什么要进行特征提取？（重点）

简化数据：原始数据往往包含大量的冗余信息和噪音。通过特征提取，可以简化数据，只保留对模型有用的信息，提高计算效率。

提高模型性能：提取出具有代表性的特征，可以帮助模型更准确地识别数据中的模式，从而提高模型的预测性能。

降维：对于高维数据，特征提取可以减少维度，降低计算复杂度，并减轻“维度灾难”问题。

增强解释性：提取出具有物理意义或业务意义的特征，有助于理解模型的决策过程，增强结果的可解释性。

减少过拟合：通过提取关键特征并去除噪音数据，可以减少模型的复杂度，降低过拟合的风险。

提高训练效率：更小且更有代表性的特征集可以显著减少模型训练时间和资源消耗。

分类器

可线性，也可非线性，线性划分平面，也可以是超平面

可以用大量数据来训练分类器

训练集、测试集大小（重点）

数据充足可 1：1

数据不充足可 6：4， 7：3

K则交叉验证（重点）

K最小值为2，最大值为样本总数

K 小了：计算成本低，性能不稳定，影响模型的泛化能力
K 大了：计算成本高，性能稳定，但可能带来过于乐观的估计，每次验证集的大小较小，模型可能无法充分地从验证集中学习到数据的特性，导致评估的偏差较大

k 个 accuracy 如何处理？

• 通常通过计算 平均准确率 和 标准差 来评估模型的 总体表现 和 稳定性

过拟合、欠拟合

过拟合：训练集过好，而测试集糟糕

欠拟合：训练集就不行了，根本没好好训练！

how（了解就行）：增加样本量、k则交叉验证、数据预处理、正则化、特征选择 …

分类准确率

分类准确率= 分类正确的样本数 / 测试样本的总数

softmax

softmax 是 归一化指数函数

用于多分类，可以归一化，将输出值转为概率

卷积神经网络

向量卷积计算

每次滑一步，分别进行向量点乘，最终结果还是一个向量

矩阵、张量卷积计算

和向量同理，反正我会算！

池化层

池化层通过减少特征图的空间维度，减少了后续卷积层的计算量和参数量，从而提高了网络的计算效率和训练速度，可防止过拟合

循环神经网络

RNN

时间序列，不适合处理长序列（会遗忘）

GRU

两个门，更新门和重置门，设定上一个时刻和当前时刻的权重比

LSTM

三个门，比GRU复杂，分量之前每关系，相对独立，可自由设置

遗忘门能决定需要保留先前步长中哪些相关信息

输入门决定在当前输入中哪些重要信息需要被添加

输出门决定了下一个隐藏状态。

光流骨架

光流（重点）

光流是指在一系列连续的图像帧之间，物体像素位置的运动变化
基于光流的方法主要关注的是像素级别的运动信息，通常用于计算图像中的运动矢量场

骨架

基于骨架的方法主要关注的是对象（通常是人类）的关节和身体部分的位置信息
通过检测和追踪人体的关键点（如头、肩、肘、膝等），可以重建出人体的骨架结构

• 目标检测 先检测到人
• 骨架提取 拿到这个人的骨架
• 特征提取 对骨架进行特征提取并分析
• 动作识别 根据特征来识别判断出是什么动作

光流骨架区别

1. 运动信息的表示方式：
   • 光流方法基于像素级别的运动矢量，表示的是连续帧之间的运动变化。
   • 骨架方法基于关键点和关节位置，表示的是人体的姿态和骨架结构。
2. 应用场景：
   • 光流方法适用于需要细粒度运动分析的场景，如目标跟踪、视频稳定等。
   • 骨架方法适用于人体动作识别、姿态估计和运动分析等。
3. 计算复杂度和鲁棒性：
   • 光流方法计算复杂度较高，容易受到光照变化和噪声的影响。
   • 骨架方法计算相对简单，更鲁棒于光照和背景变化。

关联规则挖掘

两个兴趣度度量

支持度 整体概率，比如某个项集在事务集中出现的概率

置信度 条件概率，比如含A的事务集中，出现AC的概率

• 提升度 在B单独发生中，是 A 引起的，即 A $\to$ B 的概率

衍生概念

频繁k项集 大于人为设定的最小支持度

候选k项集 用于生成频繁k项集的项集

AP算法

不断往上推，然后看置信度和提升度满不满足要求

聚类算法

k-means聚类（重点）

分成k个簇，先选取k个样本点，每加入一个点时先分类，再重新计算簇中心点，循环直到所有点分完为止

k近邻（KNN）是选周围k个样本点，然后来进行归类，是监督算法，要进行区分！

层次聚类（重点）

根据距离最小的两个点来聚类，不断往上叠层，每次都使样本簇数-1，最终像一个树结构，有层次感

优点:

1、得到层次化表达，信息丰富
2、有利于把数据集的聚类结构视觉化

缺点:

1、对噪声和离群点很敏感，需要有力的预处理过程
2、计算量很大

密度聚类-DBSCAN（重点）

• 具有噪声的基于密度的空间聚类
• 把分布相对密集、距离较近的点聚到一起
• 不是所有的点都是类的一部分
• DBSCAN定义了噪声点,在具有噪声的情况下具有较大的作用

优点:

1、不需要指明类的数量
2、能灵活地找到并分离各种形状和大小的类
3、能有效处理数据集中的噪声和离群点

缺点:

1、从两类可达的边界点，被分配给了另一个类（因为这个类先发现这个点），不能保证回传正确的分类情况
2、较难找到不同密度的类

层次聚类和密度聚类区别（重点）

层次聚类	密度聚类
数据完整	数据不完整
更有层次化，利于可视化	更有集中性，适用于有噪声情况
对噪声和离群点很敏感，受极端情况影响大	可舍弃极端情况，只集中对密度大的部分进行聚类