1、寻找到一个算法
怎么来确定这个算法呢，看看它是什么类型的任务，然后找到与这个任务匹配的算法类型，看看这个算法类型下面会有哪些算法；再看看这些算法适应什么样特点的数据。
【PS：
学习算法，重要的一点是要理解那些算法的逻辑，这个逻辑适合解决什么样的问题。
】
【PS：
有些环境是部分可观察的或者不确定的，也有可能是部分可观察而且不确定的，所以如果不能很好的理解这些不确定性，选择算法的时候，会遇到很多的难题。
】
2、训练算法
第一步找到的算法提供的只是逻辑的模型（又或者是生成逻辑的模型），是粗粒度的，里面有大量的未知的参数，它是高度抽象的，不具体，也无法在生产环境工作。要通过大数据来训练出参数（又或者生成出一个确定的算法），通俗的说就是解方程。
怎么训练呢？会有不同的训练方式，监督、无监督、半监督、加强、深度学习等。而这些训练模型，就是我们常说的人工智能算法模型，这个模型即包含了算法（待确定的逻辑），也包含了学习机制（或者说训练机制）。
【PS:
人工智能，它面对的是，未知的逻辑，和未知的将来；
它用的算法，是一个待解的方程式，需要通过历史数据来求解这个方程，然后才能被拿来用。
而我们平时解决的问题，是已知的逻辑，和未知的将来；
所以我们用的那些算法都是具体的，明确的，没有二义性；你只需要输入x，y,z就会得到结果
】
【PS：
学习算法，这时就需要对算法有清晰的理解，把这个算法内化成认知，从而可以对算法进行调试。
】
3、使用模型
训练完的模型，具备了明确的逻辑，它可以被应用到与训练数据性质相同的生产环境当中。
网友评论