HinsCoder的博客

长期以来，图像识别技术一直是人工智能研究领域的难题。近年来，随着算力的提升、物联网与大数据的出现、机器学习算法的快速发展，科学家们终于找到了有效的方法来实现图像识别，这就是基于人工神经网络的深度学习。很多以人工智能技术应用为主要发展目标的公司，如百度、阿里巴巴、腾讯和微软等，都推出了基于深度学习算法的图像搜索引擎，为人们的生产和生活提供了便利。

我们之前学习的算法均是**有监督学习**（supervised learning），它的一个鲜明特征是通过给定的标签来学习从数据特征（如图像）到语义标签的映射关系。但在很多实际问题中，数据并没有语义标签，解决此类问题就要用到**无监督学习**（unsupervised learning）。无监督学习有很多技术方向，聚类（clustering）是其中一个重要的方向。聚类的本质就是把特征相近的数据样本放到一起，达到“人以群分，物以类聚”的效果。将聚类应用在社交网络上，可以根据上网习惯特征，把行为习惯类似的用户

决策树（Decision Tree）是一种通过对历史数据进行测算，实现对新数据进行分类和预测的算法。机器学习中，决策树是一个预测模型，代表的是对象属性与对象值之间的一种映射关系。该算法由于逻辑结构为树形结构，所以被称为“决策树”。在做重要决策时，我们通常会听取多个专家而不是一个人的意见。综合多个不同专家的意见通常好过只听一个人的意见，即所谓的“群智”。类似地，在机器学习中，可以训练多个学习器来完成预测任务（分类或回归)，然后通过结合多个学习器的预测结果得到最终的结果，这就是集成学习(ensemble lea

朴素贝叶斯（Naive Bayes）和支持向量机（Support Vector Machine，SVM）是两种不同的机器学习算法，它们都用于分类。朴素贝叶斯算法基于贝叶斯定理来进行分类，它是一种生成模型，它预测一个样本属于某个类别的概率。相比之下，支持向量机是一种判别模型，它用于寻找数据空间的最大边界来进行分类。

线性回归（Lincar Regression）模型是最简单的线性模型之一，简而言之就像一元一次函数，是所有机器学习初学者的起点。而逻辑回归（Logistic Regression）则稍显复杂，是线性回归的一个推广，采用对数几率，他们都是其中最为经典的算法之一。最后引出分类评价指标，学会如何科学的评判一个模型的优劣。

人们常常说，“近朱者赤，近墨者黑“，”物以类聚，人以群分”，我们想考察一个家庭的经济状况，可以问问住在哪里。如果家住在广州珠江新城，经济状况一定差不了，非富即贵。在机器学习中，我们可以根据一个数据点（表示一个实体）周围其他数据点的类别情况，判断这个数据点的类别属性。因此引出我们今天讨论的内容——K近邻（K Nearest Neighbor， KNN）算法，在此基础上，进一步思考什么是好的模型。

本期将简要介绍python的语法，由于已经学过C语言，部分重复语法仅介绍异同，不再重复。

近年来，随着互联网和大数据应用的快速发展，人工智能技术正在迅速走进人们的日常工作与生活。在巨大的潜在市场价值面前，全球互联网企业纷纷卷入其中，如谷歌、微软、苹果、百度、腾讯等都在积极进行人工智能领域的科学研究与产品开发。从谷歌的智能软件“阿尔法围棋(AlphaGo)”以4:1战胜韩国围棋名将李世石，到腾讯的写稿机器人“梦幻写手(Dreamwriter)”在国家统计局公布年度居民消费价格指数(CPI)的第一时间就写出新闻稿，人工智能已经实实在在地来到了我们面前。所谓智能，通常是指人类大脑的高级活动，人工智能则