上接：
事前说明
学无止尽，个人能力不足，如有错误之处烦请见谅，感谢您的阅读与指出！
PS：小伞是一直在学习的唐伞妖怪欧，由于只是一只菜菜的妖怪，所以学习的地方可能会有些不对(||๐_๐)，感谢各位大佬的指正！
再来就是模型了
接上面的例子，我们想要训练一个能够识别20种水果的AI模型，标签很简单，把20种水果进行编码，从0~19分别对应20种水果，然后让AI猜数字，猜0~19的任意一个数字即可。在这个过程中根据模型的学习能力和学习特点，选择一个合适的模型也是很重要的。 那么问题就回到了，我们有什么样的模型这一点了。
之前说过，AI模型是根据数学公式来猜数字的，他接收你传进去的数值输入，然后根据这些数值输入进行一堆数学运算，然后最后得到结果，并将它作为猜出来的数字给你，这个就是AI猜数字的原理。
那么首先我们从小学到高中接触过的那几样模型肯定是可以的，例如一次函数二次函数，三次函数，多项式函数，这些都可以作为AI模型。
至于怎么将它运用到数值矩阵吗？
线性代数矩阵的乘法(狗头)
当然，我们也可以用决策树，卷积base模型，注意力机制base模型等等，这些模型各有各的特点，他们也适用于不同的问题。
然后是训练
已经解决好了数据和模型的问题，接下来就是如何训练了。
在训练之前我们首先要做一件事，就是让数据作为输入的时候，它的接口是适配于模型的输入的——说白了就像我们小时候玩玩具一样，让数据的形状跟模型可以拼接的上。就好像你想学日语，但是连日语最基本的五十音都认不全，就不要提怎么能学好了。 好不容易解决了接口的问题，那么接下来数据是喂进去了，但是我们怎么看出来这个模型它就开窍了呢？
首先对于无监督的模型，你训练数据喂进去了，他是不存在反馈的，也就是这种模型通常都不复习，学什么管他对还是错，学了就完事了。这种模型不需要考虑反向传播问题，训练集训练完之后拿出来测试集马上可以跑，并且一般马上会有结果，决策树大类就是这样的一类模型。
复习还是要的（doge）
不过我们之前也提到过，老是学习不复习是比较要命的，所以后来就有人想了个办法，让一些模型具有了复习的功能，说白了就是反向传播，反向传播的方法有两种，第1种就是让模型学习完之后去考试，考试结果出来了之后不复习，学错题。第2种就是让模型学习完之后，做一套练习卷，做完练习卷之后，根据练习卷的正确率复盘题目。其实说白了，这两种方法是一样的。
第1种通常指代决策树的变体梯度提升树，第2种就是我们之前提到过的人工神经网络大类。
但是两者在知识体系的学习上还是有一点区别的，例如梯度提升树的知识体系构建方法是我学完所有知识之后做题目，做完题目之后有错题，我再基于这些错题构建一套新的知识体系。以此类推。这样子若干次之后，我就有了几十个同样，但是侧重点不同的知识结构，下次我在做题的时候，我根据这些知识结构进行综合判断（投票！），选取可信度最高的一个。
而人工神经网络的方式是学习完之后立刻做一套练习卷，根据练习卷的错题更新自己的知识体系结构。
我们将第1种学习方法叫做集成学习。
当然随着时代进步，终身学习，成为了我们必要的一种学习手段和生活方式，AI也是不例外的，对于已经学习完一套知识体系的AI，如果又有新知识进来的话，就把这些新知识再整理给他，让他学习，这样子的学习方法，我们叫做增量学习。
同样的随着时代进步，人类的知识体系不断增加，就会造成网络上总会有一些假数据和一些不真实的信息，换句话来讲，就是我们拿给AI做的题目，他可能有些答案是错的，在这种情况下，我们还想让AI学习到正确的知识，就需要用一点小手段，这种学习方法就被称为了带噪学习......现实中有多种多样的应用场景，也就衍生出了各种各样的学习方式。
卷王的故事（doge）
这边不得不提一嘴联邦学习，这玩意儿说白了就是你是卷王，你的同桌也是个卷王，你们俩平时竞争挺激烈的，但是线下是好朋友，所以你平时会跟他交流心得体会，但是你那几套宝贝卷子不会拿给他看，他同样也是。但是在交流心得体会的过程中，你们两个都获取到了对面的信息（但是没看卷子），所以彼此都有所长进。这就是联邦学习了。
当然，现实生活中的应用情景，随着数据的爆炸与日俱增，由此根据关键的三要素：有什么，学什么，怎么学3点衍生出了多种多样的学习方式，这些以后再跟大家慢慢讲吧。
扫一扫
912
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
