企业投票软件 人工智能应用升阶

人工神经网络三要素

1. 数据信息
2. 学习培训优化算法
3. 实体模型

人工神经网络课处理的问题

1. 重归
2. 归类
3. 聚类分析
4. 归因于
5. 异常检测

人工神经网络三环节

1. 数据信息提前准备
2. 创建实体模型
3. 实体模型运用

人工神经网络的种类

• 有监督学习
• 无监督学习（找出规律）
• 半监督学习（一部分数据信息带标识，协助学习培训）
• 增强学习（多次意见反馈）

数据预处理

• 数据预处理（文件格式规范化、不正确改正、出现异常数据预处理、清理反复数据信息）
• 数据集成（多库或多表合一）
• 数据信息转换（让数据信息对电子计算机更强了解）
• 数据信息归约（除去沉余特点）

逻辑回归模型（将信息转换的更加有意义，发觉合理特点的构思）

• 特点搭建（根据人力方法找寻物理学特点，数据信息求和求差、切分融合等）
• svm算法（特征提取，更改特点关联，组成等）
• 特征选择（过滤法：设定阈值；封装形式法：将特点分次放进实体模型，比照选最佳；置入法：将挑选特点置入为实体模型练习的一部分，根据实体模型挑选。选非空子集的方式等）

人工神经网络是一种学习培训逻辑思维，而不是实行逻辑思维

有监督学习：把数据分成

• 训练集：供实体模型学习培训
• 验证集：用以调节超参数（迭代频次、链路层等数人为因素调整主要参数），认证验证集也是练习实体模型的全过程
• 检测集：供练习好的实体模型检测

区划为了防止多重共线性，即結果只融入练习数据信息，不适合新数据；普遍区划占比为5：2.5：2.5或8：1：1

信息量较少时可应用K折交叉式法：将信息分成K份，每一次练习K-1份（练习k-1次），剩下一份做检测集

维数灾祸：层面提升产生的实际效果减少

基本数据类型

• 标值型（连续型：范畴区段内可无尽选值，如个子；离散型：自然数或整数金额，如的家庭人口总数）
• 类型型（定种类：男孩和女孩，血形等不能排列；定序型：高中低档、第一第二第三等可排序）含意没不幸数据交换为数字表示也不可以开展求和等实际操作

形象化呈现数据信息

• 条形图：展现每组的取之各分部（留意与柱形图的不一样）
• 散点图：2个自变量以前的关联，切入点簇合离群点

评价指标体系

• 混淆矩阵：N行N列的引流矩阵，列意味着估计值，行意味着具体值。表明好几个类型是不是有搞混，是多少正确了是多少错
• 准确度：预测分析恰当总数/总预测分析量
• 精que率：类似中预测分析恰当总数/预测分析为类似結果总产量
• 均方误差：类似中预测分析恰当总数/类似预测分析总产量
• F值：精que率与均方误差越贴近越大，综合性指标值
• ROC曲线：从图象视角辨别2个茎类結果的归类状况及其选购适宜的阈值
• AUC值：通常意味着ROC曲线下总面积，任意给一个正样版和负样版，支持向量机导出的正样版为正几率（P1）比负样版为正几率（P2）值要大的概率（P1>P2的几率=AUC值）。AUC值越高意味着排列工作能力越强

多元回归分析

• 回归分析：解决持续数据信息
• 逻辑回归：解决归类每日任务；在回归分析基本上套入逻辑运算
• 梯度下降法：越贴近总体目标，步幅越小（学习率小：每一次走的间距小），前行变慢；找部分极小值

决策树（有监督学习随机森林算法）

• 一般是指一个根节点、多个 內部连接点、多个叶连接点（归类結果）
• 每一次归类时寻找当今最佳特点，随后从该特点选值寻找最佳結果值
• 预修枝：在每一个连接点区划前开展测算，若当今连接点不可以提高广泛特性（设定阈值，超过阈值则终止），则终止区划并做为叶连接点；降低時间，减少多重共线性，但很有可能产生泛线性拟合；
• 后修枝：转化成详细决策树后，自底向上开展调查更换；广泛应能好于预修枝，但用时久；
• ID3优化算法：以“信息熵（错乱度；越错乱，信息熵越高）”和“信息增益（纯净度；信息增益=信息熵【沒有必要条件时的数据量】-条件熵【有必要条件时的数据量】；选较大做为连接点）”做为选择连接点规范创建决策树
• ID3缺陷：沒有考虑到持续特点（如日期等无穷数据信息，真分数大，因此条件熵贴近0，导致子连接点只有一个归类）；偏重挑选信息增益大特点；缺乏修枝沒有考虑到多重共线性
• C4.5优化算法：处理ID3缺点问题；但应对持续特性时用时较长、仅仅用与能存留在运行内存中的小规模纳税人数据
• C5.0优化算法：是C4.5运用于规模性数据信息上的随机森林算法，速度更快，占运行内存少，是现阶段工业生产上较为广泛的优化算法
• CART优化算法：简单化决策树经营规模、提高搭建高效率；选用二分递归切分技术性，每一次将当今样版排序成2个子样本集；应用基尼指数（意味着不纯净度；越小不纯净度越低，特点越好）替代信息增益比；
• 决策树优势：对比神经元网络等白盒实体模型简易形象化，逻辑性易表述；数据预处理简易；既可以解决离散值也解决持续值
• 决策树限定：易造成多重共线性；不适感用以特点不一样数据；无法学习培训特点间繁杂关联；忽视了数据信息间关联性；偏重有大量数据信息值特点；

朴素贝叶斯优化算法

• 基本上观念：没有可以用信息内容状况下，挑选几率最大的类型
• 特点标准单独假定：假设样版中每一个特点与别的特点也不有关，忽视特点本质关联
• 基础理论几率：钱币正反两面几率为50%（具体并不会那么平稳）
• 条件概率：在已经知道情况下企业投票软件，此外一件事产生几率（如看到朋友出站，跟随出站，到对的站的几率）
• 先验标准：没有理由时几率（到恰当站几率）
• 后验标准：有标准时几率（朋友出站时，到恰当站几率）
• 词包装袋窘境：就是错乱词句排列，分辨結果也一样，事实上次序不一样，表述的含意不一样

神经网络模型

• 神经网络算法由生物体神经元网络演变而成，包括键入、导出测算作用实体模型
• 优势：非线性工作能力；响应式；泛化能力；容错机制工作能力
• 缺陷：相较贝叶斯算法或决策树不太好表述；费人力资源，要求数据信息大获取难，费存储资源
• 神经元模型（二值神经元模型MP）：对键入开展权重计算解决，后在神经细胞开展阈值限制，根据阈值分辨导出
• 感知机学习培训优化算法：适用线形可分时图，没法解决异或运算问题；画一条线，后依据主要参数持续调节线位，最后进行归类
• 双层神经元网络：由键入层、掩藏层（双层计算，各层权重值不一样等）、导出层构成
• BP算法：正方向散播；反向散播（正方向不符预估时运行，将結果反传至键入层企业投票软件，并根据梯度下降法调节各模块权重值；不断实行直到可接纳）
• RBF神经元网络：只有一个掩藏层且挑选非线性函数，不用权重值联接；每一次计算不用升级全部主要参数，只必须关系主要参数；计算快

集成化优化算法（指应用一系列学习培训设备开展学习培训，并根据标准开展融合企业投票软件，进而得到比单独一个更强学习效率的方式）

• Boosting（响应式优化算法）：应用弱支持向量机迭代更新，造成强支持向量机；每场迭代造成一个新的弱支持向量机并授予权重值，最终投票造成最后归类結果
• AdaBoost：对比Boosting多对数据信息设定了权重值，对支持向量机设定了权重值
• GBDT：融合梯度下降法与决策树优势，根据上一轮支持向量机的方差基本上开展练习
• Bagging：任意、有回看的选择训练集，开展并构弱学习培训器，最终融合为强学习培训器；每个学习培训器沒有相互依赖
• Random Forest（随机森林）：任意选数据信息、特点；可并行处理，用时短、高效率；投票体制防止多重共线性；放弃了可实证性，是一种白盒实体模型

图象

• 灰度级：0（黑）-255（白）
• RGB：红蓝绿三个安全通道混和构成，每一个安全通道都为0-255，如橘色（255,97,0）
• HSV：用颜色、对比度、色度三个份量

图像识别技术关键流程

• 图象收集：接触传感器，抽样、量化分析后以像素数数字编号方式键入电子计算机#p#分页标题#e#
• 图像预处理：让图象更易于被电子计算机鉴别
• 特点提取和挑选
• 支持向量机设计模型
• 归类管理决策

卷积神经网络

• 卷积层：减少数据信息层面获取特点
• 激话层：将卷积层导出变为非线性投射。提高互联网主要表现
• 池化层：在持续的卷积层正中间，缩小数据信息和主要参数的总数；缩小图象尺寸
• 全连接层：支持向量机，完成图像分类

面部识别：分二步

• 人脸识别算法：寻找面部部位
• 面部识别：图像分类每日任务，人脸识别算法、svm算法（卷积神经网络实体模型）、人脸对比剖析与归类

自然语言处理问题：五大类

• 归类问题