当前，人工智能算法已经能够完成智能语音语义、计算机视觉等智能化任务，在棋类、电子游戏对弈，多媒体数据生成等前沿领域也取得了一定进展，为人工智能应用落地提供了可靠的理论保障。 人工智能算法的设计逻辑可以从“学什么”、“怎么学”和“做什么”三个维度进行概括。
首先是学什么。人工智能算法需要学习的内容，是能够表征所需完成任务的函数模型。该函数模型旨在实现人们需要的输入和输出的映射关系，其学习的目标是确定两个状态空间（输入空间和输出空间）内所有可能取值之间的关系；
怎么学。算法通过不断缩小函数模型结果与真实结果误差来达到学习目的，一般该误差称为损失函数。
损失函数能够合理量化真实结果和训练结果的误差，并将之反馈给机器继续作迭代训练，终实现学习模型输出和真实结果的误差处在合理范围；
最后是做什么。机器学习主要完成三件任务，即分类、回归和聚类。目前多数人工智能落地应用，都是通过对现实问题抽象成相应的数学模型，分解为这三类基本任务进行有机组合，并对其进行建模求解的过程。
算法的主要任务
人工智能实际应用问题经过抽象和分解，主要可以分为回归、分类和聚类三类基本任务，针对每一类基本任务，人工智能算法都提供
了各具特点的解决方案：
一是回归任务的算法。回归是一种用于连续型数值变量预测和建模的监督学习算法。目前回归算法为常用的主要有四种，即线性回归（正则化）、回归树（集成方法）、邻近算法和深度学习。
二是分类任务的算法。分类算法用于分类变量建模及预测的监督学习算法，分类算法往往适用于类别（或其可能性）的预测。其中为常用的算法主要有五种，分别为逻辑回归（正则化）、分类树（集成方法）、支持向量机、朴素贝叶斯和深度学习方法。
三是聚类任务的算法。聚类算法基于数据内部结构来寻找样本集群的无监督学习任务，使用案例包括用户画像、电商物品聚类、社交网络分析等。其中为常用的算法主要有四种即K均值、仿射传播、分层/层次和聚类算法 。（部分内容来源于网络如有侵权请联系删除）
欢迎您分享文章，让更多有需要的人看到。
网友评论