05-總結(jié)-計(jì)算機(jī)與信息社會(huì)-智能計(jì)算

第五章

智能計(jì)算概述課程目的系統(tǒng)地講授智能計(jì)算的有關(guān)基礎(chǔ)理論、技術(shù)及其主要應(yīng)用。通過(guò)本課程的學(xué)習(xí)，要求學(xué)生系統(tǒng)地掌握智能計(jì)算的基本內(nèi)容與方法，了解智能計(jì)算的主要應(yīng)用領(lǐng)域。將智能計(jì)算方法與學(xué)生未來(lái)研究方向相結(jié)合，培養(yǎng)學(xué)生獨(dú)立科研思維能力。介紹智能計(jì)算研究的前沿領(lǐng)域與最新進(jìn)展，培養(yǎng)學(xué)生科研興趣。本課程的主要內(nèi)容1.智能計(jì)算概述2.演化計(jì)算3.神經(jīng)計(jì)算4.群智能計(jì)算5.模糊計(jì)算6.機(jī)器學(xué)習(xí)8.展望1.智能計(jì)算概述智能學(xué)智能學(xué)：

即研究生物智能、人類智能以及人造智能的科學(xué)。

21世紀(jì)的科學(xué)技術(shù)，已經(jīng)向我們展示了一個(gè)豐富多彩的智能世界：人類智能、生物智能、智能機(jī)器人、生物信息系統(tǒng)；人工智能、計(jì)算智能、機(jī)器學(xué)習(xí)、智能儀器、智能機(jī)器人、機(jī)器翻譯、人機(jī)對(duì)弈、人工生命、人工免疫系統(tǒng)、人造昆蟲(chóng)、機(jī)器人足球賽…。

智能計(jì)算是信息科學(xué)、生命科學(xué)、認(rèn)知科學(xué)等不同學(xué)科相互交叉的產(chǎn)物。它主要借鑒仿生學(xué)和擬物的思想，基于人們對(duì)生物體智能機(jī)理和某些自然規(guī)律的認(rèn)識(shí)，采用數(shù)值計(jì)算的方法去模擬和實(shí)現(xiàn)人類的智能、生物智能、其它社會(huì)和自然規(guī)律。智能計(jì)算的主要研究領(lǐng)域包括：神經(jīng)計(jì)算、演化計(jì)算、群智能計(jì)算、模糊計(jì)算、免疫計(jì)算、DNA計(jì)算和人工生命等。本課程主要學(xué)習(xí)內(nèi)容包括神經(jīng)計(jì)算、演化計(jì)算、群智能計(jì)算和模糊計(jì)算等。智能計(jì)算夢(mèng)想機(jī)器具有智能—計(jì)算機(jī)科學(xué)家的夢(mèng)想什么是智能？能感知、能學(xué)習(xí)、能思維、能記憶、能決策、能行動(dòng)……，智能的核心是思維。

圖靈測(cè)試怎樣判斷機(jī)器具有智能—圖靈測(cè)試

1950年AlanTuring的文章“ComputingMachineryandIntelligence.”

（Mind,Vol.59,No.236）提出圖靈測(cè)試，檢驗(yàn)一臺(tái)機(jī)器或電腦是否具有如人一樣的思維能力和智能電腦和人分別封閉在不同的房間，測(cè)試者不知道哪個(gè)房間是人，哪個(gè)房間是電腦，他向雙方提出測(cè)試問(wèn)題，電腦和人給出各自的答案，如果一系列的測(cè)試問(wèn)題之后，測(cè)試者分不出哪些是電腦的答案，哪些是人的答案，則電腦通過(guò)測(cè)試，確實(shí)具有與人一樣的智能。我是人哦！我是誰(shuí)？如實(shí)回答

？困惑哲學(xué)問(wèn)題

（1）規(guī)則與規(guī)律：規(guī)則是制定的，規(guī)律是客觀存在的，從規(guī)則能自動(dòng)發(fā)現(xiàn)規(guī)律嗎？（2）生命與非生命：智能是高等生命體獨(dú)有的能力，非生命體內(nèi)能產(chǎn)生智能嗎？（3）物質(zhì)與意識(shí)：唯物主義和唯心主義都承認(rèn)二元論，只是在何者起決定作用上爭(zhēng)論不休，智能能在機(jī)器內(nèi)產(chǎn)生將導(dǎo)致一元論—物質(zhì)生成一切？（4）智能的本質(zhì)：理性與感性、思考與行動(dòng)、社會(huì)性與個(gè)體性倫理問(wèn)題（1）電腦與人腦：能否互換？（2）機(jī)器人與人：機(jī)器能否融入人類社會(huì)？（3）情感與役使：機(jī)器是人制造并使用的工具，一旦機(jī)器人具有了智能和情感，人類還能當(dāng)奴隸一樣地役使嗎？（4）機(jī)器人叛亂：機(jī)器人群體有可能叛亂而反過(guò)來(lái)役使人類嗎？人工智能（artificialintelligence，簡(jiǎn)稱AI）人工智能：用人工的方法和技術(shù)，模仿、延伸和擴(kuò)展人的智能,實(shí)現(xiàn)機(jī)器智能。人工智能的五個(gè)基本問(wèn)題

(1)知識(shí)與概念化是否是人工智能的核心？

(2)認(rèn)知能力能否與載體分開(kāi)來(lái)研究？

(3)認(rèn)知的軌跡是否可用類自然語(yǔ)言來(lái)描述？

(4)學(xué)習(xí)能力能否與認(rèn)知分開(kāi)來(lái)研究？

(5)所有的認(rèn)知是否有一種統(tǒng)一的結(jié)構(gòu)？學(xué)科交叉

與生命科學(xué)、認(rèn)知科學(xué)、物理學(xué)等眾多學(xué)科高度交叉，共同研究智能行為的基本理論和實(shí)現(xiàn)技術(shù)。三大學(xué)派

符號(hào)主義（Symbolism）、連接主義(Connectionism)、行為主義（Behaviorism）——從不同側(cè)面模擬人的智能和智能行為。什么是智能計(jì)算智能計(jì)算（ComputationalIntelligence，CI）目前還沒(méi)有一個(gè)統(tǒng)一的的定義，使用較多的是美國(guó)科學(xué)家貝慈德克（J.C.Bezdek）從智能計(jì)算系統(tǒng)角度所給出的定義:如果一個(gè)系統(tǒng)僅處理低層的數(shù)值數(shù)據(jù)，含有模式識(shí)別部件，沒(méi)有使用人工智能意義上的知識(shí)，且具有計(jì)算適應(yīng)性、計(jì)算容錯(cuò)力、接近人的計(jì)算速度和近似于人的誤差率這4個(gè)特性，則它是智能計(jì)算的。從學(xué)科范疇看，智能計(jì)算是在神經(jīng)網(wǎng)絡(luò)（NeuralNetworks,NN）、演化計(jì)算（EvolutionaryComputation,EC）及模糊系統(tǒng)（FuzzySystem,FS）這3個(gè)領(lǐng)域發(fā)展相對(duì)成熟的基礎(chǔ)上形成的一個(gè)統(tǒng)一的學(xué)科概念。

智能計(jì)算與人工智能的關(guān)系目前，對(duì)智能計(jì)算與人工智能的關(guān)系有2種不同觀點(diǎn)，一種點(diǎn)認(rèn)為智能計(jì)算是人工智能的一個(gè)子集，另一種觀點(diǎn)認(rèn)為智能計(jì)算和人工智能是不同的范疇。第一種觀點(diǎn)的代表人物是貝慈德克。他把智能（Intelligence，I）和神經(jīng)網(wǎng)絡(luò)（NeuralNetwork，NN）都分為計(jì)算的（Computational，C）、人工的（Artificial，A）和生物的（Biological,B）3個(gè)層次，并以模式識(shí)別（PR）為例，給出了下圖所示的智能的層次結(jié)構(gòu)。在該圖中，底層是計(jì)算智能（CI），它通過(guò)數(shù)值計(jì)算來(lái)實(shí)現(xiàn)，其基礎(chǔ)是CNN；中間層是人工智能（AI），它通過(guò)人造的符號(hào)系統(tǒng)實(shí)現(xiàn)，其基礎(chǔ)是ANN；頂層是生物智能（BI），它通過(guò)生物神經(jīng)系統(tǒng)來(lái)實(shí)現(xiàn)，其基礎(chǔ)是BNN。按照貝慈德克的觀點(diǎn)，CNN是指按生物激勵(lì)模型構(gòu)造的NN，ANN是指CNN+知識(shí)，BNN是指人腦，即ANN包含了CNN，BNN又包含了ANN。對(duì)智能也一樣，貝慈德克認(rèn)為AI包含了CI，BI又包含了AI，即智能計(jì)算是人工智能的一個(gè)子集。第二種觀點(diǎn)是大多數(shù)學(xué)者所持有的觀點(diǎn)，其代表人物是艾伯哈特（R.C.Eberhart）。他們認(rèn)為：雖然人工智能與智能計(jì)算之間有重合，但智能計(jì)算是一個(gè)全新的學(xué)科領(lǐng)域，無(wú)論是生物智能還是機(jī)器智能，智能計(jì)算都是其最核心的部分，而人工智能則是外層。事實(shí)上，CI和傳統(tǒng)的AI只是智能的兩個(gè)不同層次，各自都有自身的優(yōu)勢(shì)和局限性，相互之間只應(yīng)該互補(bǔ)，而不能取代。大量實(shí)踐證明，只有把AI和CI很好地結(jié)合起來(lái)，才能更好地模擬人類智能，才是智能科學(xué)技術(shù)發(fā)展的正確方向。智能計(jì)算與人工智能的關(guān)系智能計(jì)算-回歸自然自下而上的研究思路傳統(tǒng)人工智能研究思路是自上而下，現(xiàn)代智能計(jì)算方法強(qiáng)調(diào)通過(guò)計(jì)算實(shí)現(xiàn)生物內(nèi)在的智能行為，也稱為智能計(jì)算從簡(jiǎn)單到復(fù)雜的演化進(jìn)程智能的獲得不是一蹴而就，是漸進(jìn)式的積累過(guò)程，簡(jiǎn)單中孕育復(fù)雜，平凡中蘊(yùn)含智慧在傳統(tǒng)學(xué)科中尋找算法

如生命科學(xué)（遺傳算法）、物理學(xué)（模擬退火算法）和化學(xué)（DNA計(jì)算）等從自然與社會(huì)系統(tǒng)中獲得靈感

如螞蟻算法、禁忌搜索和粒子群優(yōu)化方法，模糊計(jì)算及模糊系統(tǒng)、粗造集及其系統(tǒng)自然計(jì)算自然計(jì)算的含義

學(xué)習(xí)、運(yùn)用自然規(guī)律，模擬自然系統(tǒng)乃至社會(huì)系統(tǒng)的演變過(guò)程的智能計(jì)算方法，借鑒自然科學(xué)學(xué)科的原理和理論進(jìn)行問(wèn)題的求解方法自然計(jì)算方法

演化計(jì)算、蟻群算法、粒子群優(yōu)化方法、人工免疫系統(tǒng)、模糊計(jì)算演化計(jì)算演化計(jì)算的概念：（EvolutionaryComputation,EC）是在達(dá)爾文（Darwin）的進(jìn)化論和孟德?tīng)枺∕endel）的遺傳變異理論的基礎(chǔ)上產(chǎn)生的一種在基因和種群層次上模擬自然界生物進(jìn)化過(guò)程與機(jī)制，進(jìn)行問(wèn)題求解的自組織、自適應(yīng)的隨機(jī)搜索技術(shù)。它以達(dá)爾文進(jìn)化論的“物竟天擇、適者生存”作為算法的進(jìn)化規(guī)則，并結(jié)合孟德?tīng)柕倪z傳變異理論，將生物進(jìn)化過(guò)程中的繁殖、變異、競(jìng)爭(zhēng)和選擇引入到了算法中，是一種對(duì)人類智能的演化模擬方法。演化計(jì)算演化計(jì)算的主要分支：遺傳算法、演化策略、演化規(guī)劃和遺傳規(guī)劃四大分支。其中，遺傳算法是演化計(jì)算中最初形成的一種具有普遍影響的模擬演化優(yōu)化算法。遺傳算法的基本思想：(美國(guó)密執(zhí)安大學(xué)霍蘭德教授1962提出)是使用模擬生物和人類進(jìn)化的方法來(lái)求解復(fù)雜問(wèn)題。它從初始種群出發(fā)，采用優(yōu)勝略汰、適者生存的自然法則選擇個(gè)體，并通過(guò)雜交、變異產(chǎn)生新一代種群，如此逐代進(jìn)化，直到滿足目標(biāo)為止。

演化計(jì)算是一種模擬自然界生物進(jìn)化過(guò)程與機(jī)制進(jìn)行問(wèn)題求解的自組織、自適應(yīng)的隨機(jī)搜索技術(shù)。它以達(dá)爾文進(jìn)化論的“物竟天擇、適者生存”作為算法的進(jìn)化規(guī)則，并結(jié)合孟德?tīng)柕倪z傳變異理論，將生物進(jìn)化過(guò)程中的繁殖（Reproduction）變異（Mutation）競(jìng)爭(zhēng)（Competition）選擇（Selection）引入到了算法中。

(1)什么是演化計(jì)算演化計(jì)算概述遺傳算法遺傳算法（GeneticAlgorithm）模擬達(dá)爾文的遺傳選擇和自然淘汰的生物進(jìn)化過(guò)程1975年首先由Holland提出用于自然和人工系統(tǒng)的自適應(yīng)行為研究(AdaptationinNaturalandArtificialSystems)組成：個(gè)體與群體、適應(yīng)值函數(shù)、遺傳操作、終止條件特點(diǎn)：隱含并行性、過(guò)程性、非確定性、群體性、內(nèi)在學(xué)習(xí)、統(tǒng)計(jì)性、穩(wěn)健性、整體優(yōu)化

神經(jīng)計(jì)算麥克卡洛和匹茨把生物腦神經(jīng)系統(tǒng)研究、數(shù)理邏輯思想以及圖靈的計(jì)算理論相結(jié)合，將其成果轉(zhuǎn)向人造物，這是有一次科學(xué)飛躍，可視為人工智能（計(jì)算智能）的起步。能不能造出有智能的機(jī)器？在這方面取得重大突破的，就是繼萊布尼茨、巴貝奇、圖靈之后的馮.諾依曼。神經(jīng)計(jì)算是以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的一種智能計(jì)算方法。它。它是智能計(jì)算的重要基礎(chǔ)和核心，也是智能計(jì)算乃至智能科學(xué)技術(shù)的一個(gè)重要研究領(lǐng)域。

神經(jīng)計(jì)算的特點(diǎn)

（1）可以充分逼近任意復(fù)雜的非線性關(guān)系

（2）所有定量或定性的信息都等勢(shì)分布貯存于網(wǎng)絡(luò)內(nèi)的各神經(jīng)元，故有很強(qiáng)的魯棒性和容錯(cuò)性

（3）采用并行分布處理方法，使得快速進(jìn)行大量運(yùn)算成為可能

（4）可學(xué)習(xí)和自適應(yīng)不知道或不確定的系統(tǒng)

（5）能夠同時(shí)處理定量、定性知識(shí)。TheNeuronInputsignalSynapticweightsSummingfunctionBiasbActivationfunctionLocalFieldvOutputyx1x2xmw2wmw1蟻群算法概述受螞蟻覓食行為的的啟發(fā)，90年代Dorigo提出蟻群優(yōu)化算法(Ant

Colony

Optimization，ACO)求解TSP問(wèn)題設(shè)計(jì)虛擬的“螞蟻”，摸索不同路線，并留下會(huì)隨時(shí)間揮發(fā)的虛擬“信息素”根據(jù)“信息素較濃，則路徑更短”的原則，每只螞蟻每次隨機(jī)選擇要走的路徑，但傾向于信息素比較濃的路徑算法利用了正反饋機(jī)制，使得較短的路徑能夠有較大的機(jī)會(huì)得到選擇

ACO已成功用于解決其他組合優(yōu)化問(wèn)題

圖的著色(Graph

Coloring)問(wèn)題最短超串(Shortest

Common

Supersequence)問(wèn)題網(wǎng)絡(luò)路由問(wèn)題本節(jié)內(nèi)容1.一個(gè)故事2.機(jī)器學(xué)習(xí)的定義3.機(jī)器學(xué)習(xí)的范圍4.機(jī)器學(xué)習(xí)的方法5.機(jī)器學(xué)習(xí)的應(yīng)用--大數(shù)據(jù)6.機(jī)器學(xué)習(xí)的子類--深度學(xué)習(xí)7.機(jī)器學(xué)習(xí)的父類--人工智能8.機(jī)器學(xué)習(xí)的思考--計(jì)算機(jī)的潛意識(shí)機(jī)器學(xué)習(xí)的定義從廣義上來(lái)說(shuō)，機(jī)器學(xué)習(xí)是一種能夠賦予機(jī)器學(xué)習(xí)的能力，以此讓它完成直接編程無(wú)法完成的功能的方法。但從實(shí)踐的意義上來(lái)說(shuō)，機(jī)器學(xué)習(xí)是一種通過(guò)利用數(shù)據(jù)，訓(xùn)練出模型，然后使用模型預(yù)測(cè)的一種方法。讓我們具體看一個(gè)例子CPI指數(shù)2015123456789101112CPI100.8101.4101.4101.5101.2101.4101.6102.0101.6101.3101.5101.6機(jī)器學(xué)習(xí)的定義在求解過(guò)程中透露出了兩個(gè)信息：1.模型是根據(jù)擬合的函數(shù)類型決定的。如果是直線，那么擬合出的就是直線方程。如果是其他類型的線，例如拋物線，那么擬合出的就是拋物線方程。機(jī)器學(xué)習(xí)有眾多算法，一些強(qiáng)力算法可以擬合出復(fù)雜的非線性模型，用來(lái)反映一些不是直線所能表達(dá)的情況。2.如果數(shù)據(jù)越多，模型涵蓋的情況越多，由此對(duì)于新情況的預(yù)測(cè)效果就越好。這是機(jī)器學(xué)習(xí)界“數(shù)據(jù)為王”思想的一個(gè)體現(xiàn)。一般來(lái)說(shuō)(不是絕對(duì))，數(shù)據(jù)越多，最后機(jī)器學(xué)習(xí)生成的模型預(yù)測(cè)的效果越好。機(jī)器學(xué)習(xí)的定義現(xiàn)在對(duì)機(jī)器學(xué)習(xí)過(guò)程做一個(gè)完整的回顧：首先，我們需要在計(jì)算機(jī)中存儲(chǔ)歷史的數(shù)據(jù)。接著，我們將這些數(shù)據(jù)通過(guò)機(jī)器學(xué)習(xí)算法進(jìn)行處理，這個(gè)過(guò)程在機(jī)器學(xué)習(xí)中叫做“訓(xùn)練”，處理的結(jié)果可以被我們用來(lái)對(duì)新的數(shù)據(jù)進(jìn)行預(yù)測(cè)這個(gè)結(jié)果一般稱之為“模型”。對(duì)新數(shù)據(jù)的預(yù)測(cè)過(guò)程在機(jī)器學(xué)習(xí)中叫做“預(yù)測(cè)”?！坝?xùn)練”與“預(yù)測(cè)”是機(jī)器學(xué)習(xí)的兩個(gè)過(guò)程“模型”則是過(guò)程的中間輸出結(jié)果，“訓(xùn)練”產(chǎn)生“模型”，“模型”指導(dǎo)“預(yù)測(cè)”。機(jī)器學(xué)習(xí)的定義機(jī)器學(xué)習(xí)的過(guò)程與人類對(duì)歷史經(jīng)驗(yàn)歸納的過(guò)程做個(gè)比對(duì)機(jī)器學(xué)習(xí)的范圍機(jī)器學(xué)習(xí)的范圍模式識(shí)別

模式識(shí)別=機(jī)器學(xué)習(xí)。兩者的主要區(qū)別在于前者是從工業(yè)界發(fā)展起來(lái)的概念，后者則主要源自計(jì)算機(jī)學(xué)科。在著名的《PatternRecognitionAndMachineLearning》這本書(shū)中，ChristopherM.Bishop在開(kāi)頭是這樣說(shuō)的“模式識(shí)別源自工業(yè)界，而機(jī)器學(xué)習(xí)來(lái)自于計(jì)算機(jī)學(xué)科。不過(guò)，它們中的活動(dòng)可以被視為同一個(gè)領(lǐng)域的兩個(gè)方面，同時(shí)在過(guò)去的10年間，它們都有了長(zhǎng)足的發(fā)展”。機(jī)器學(xué)習(xí)的范圍數(shù)據(jù)挖掘

數(shù)據(jù)挖掘=機(jī)器學(xué)習(xí)+數(shù)據(jù)庫(kù)。這幾年數(shù)據(jù)挖掘的概念實(shí)在是太耳熟能詳。大部分?jǐn)?shù)據(jù)挖掘中的算法是機(jī)器學(xué)習(xí)的算法在數(shù)據(jù)庫(kù)中的優(yōu)化。統(tǒng)計(jì)學(xué)習(xí)

統(tǒng)計(jì)學(xué)習(xí)近似等于機(jī)器學(xué)習(xí)。統(tǒng)計(jì)學(xué)習(xí)是個(gè)與機(jī)器學(xué)習(xí)高度重疊的學(xué)科。因?yàn)闄C(jī)器學(xué)習(xí)中的大多數(shù)方法來(lái)自統(tǒng)計(jì)學(xué)，甚至可以認(rèn)為，統(tǒng)計(jì)學(xué)的發(fā)展促進(jìn)機(jī)器學(xué)習(xí)的繁榮昌盛。統(tǒng)計(jì)學(xué)習(xí)者重點(diǎn)關(guān)注的是統(tǒng)計(jì)模型的發(fā)展與優(yōu)化，偏數(shù)學(xué)，而機(jī)器學(xué)習(xí)者更關(guān)注的是能夠解決問(wèn)題，偏實(shí)踐，因此機(jī)器學(xué)習(xí)研究者會(huì)重點(diǎn)研究學(xué)習(xí)算法在計(jì)算機(jī)上執(zhí)行的效率與準(zhǔn)確性的提升。機(jī)器學(xué)習(xí)的范圍計(jì)算機(jī)視覺(jué)

計(jì)算機(jī)視覺(jué)=圖像處理+機(jī)器學(xué)習(xí)。圖像處理技術(shù)用于將圖像處理為適合進(jìn)入機(jī)器學(xué)習(xí)模型中的輸入，機(jī)器學(xué)習(xí)則負(fù)責(zé)從圖像中識(shí)別出相關(guān)的模式。計(jì)算機(jī)視覺(jué)相關(guān)的應(yīng)用非常的多，例如百度識(shí)圖、手寫(xiě)字符識(shí)別、車牌識(shí)別等等應(yīng)用。這個(gè)領(lǐng)域是應(yīng)用前景非?；馃岬?，同時(shí)也是研究的熱門(mén)方向。隨著機(jī)器學(xué)習(xí)的新領(lǐng)域深度學(xué)習(xí)的發(fā)展，大大促進(jìn)了計(jì)算機(jī)圖像識(shí)別的效果，因此未來(lái)計(jì)算機(jī)視覺(jué)界的發(fā)展前景不可估量。機(jī)器學(xué)習(xí)的范圍語(yǔ)音識(shí)別

語(yǔ)音識(shí)別=語(yǔ)音處理+機(jī)器學(xué)習(xí)。語(yǔ)音識(shí)別就是音頻處理技術(shù)與機(jī)器學(xué)習(xí)的結(jié)合。語(yǔ)音識(shí)別技術(shù)一般不會(huì)單獨(dú)使用，結(jié)合自然語(yǔ)言處理的相關(guān)技術(shù)。目前的相關(guān)應(yīng)用有蘋(píng)果的語(yǔ)音助手siri等。機(jī)器學(xué)習(xí)的范圍自然語(yǔ)言處理

自然語(yǔ)言處理=文本處理+機(jī)器學(xué)習(xí)。自然語(yǔ)言處理技術(shù)主要是讓機(jī)器理解人類的語(yǔ)言的一門(mén)領(lǐng)域。在自然語(yǔ)言處理技術(shù)，詞法分析，語(yǔ)法分析等等，除此之外，在理解這個(gè)層面，則使用了語(yǔ)義理解，機(jī)器學(xué)習(xí)等技術(shù)。作為唯一由人類自身創(chuàng)造的符號(hào)，自然語(yǔ)言處理一直是機(jī)器學(xué)習(xí)界不斷研究的方向。按照百度機(jī)器學(xué)習(xí)專家余凱的說(shuō)法“聽(tīng)與看，說(shuō)白了就是阿貓和阿狗都會(huì)的，而只有語(yǔ)言才是人類獨(dú)有的”。如何利用機(jī)器學(xué)習(xí)技術(shù)進(jìn)行自然語(yǔ)言的的深度理解，一直是工業(yè)和學(xué)術(shù)界關(guān)注的焦點(diǎn)。機(jī)器學(xué)習(xí)的方法簡(jiǎn)要介紹一下機(jī)器學(xué)習(xí)中的經(jīng)典代表方法。這部分介紹的重點(diǎn)是這些方法內(nèi)涵的思想。1、回歸算法在大部分機(jī)器學(xué)習(xí)課程中，回歸算法都是介紹的第一個(gè)算法。原因有兩個(gè)：一是回歸算法比較簡(jiǎn)單，介紹它可以讓人平滑地從統(tǒng)計(jì)學(xué)遷移到機(jī)器學(xué)習(xí)中。二是回歸算法是后面若干強(qiáng)大算法的基石，如果不理解回歸算法，無(wú)法學(xué)習(xí)那些強(qiáng)大的算法?；貧w算法有兩個(gè)重要的子類：即線性回歸和邏輯回歸。線性回歸就是我們前面說(shuō)過(guò)的PCI問(wèn)題2.神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)(也稱之為人工神經(jīng)網(wǎng)絡(luò)，ANN)算法是80年代機(jī)器學(xué)習(xí)界非常流行的算法，不過(guò)在90年代中途衰落。現(xiàn)在，攜著“深度學(xué)習(xí)”之勢(shì)，神經(jīng)網(wǎng)絡(luò)重裝歸來(lái)，重新成為最強(qiáng)大的機(jī)器學(xué)習(xí)算法之一。機(jī)器學(xué)習(xí)的方法3、SVM（支持向量機(jī)）支持向量機(jī)算法是誕生于統(tǒng)計(jì)學(xué)習(xí)界，同時(shí)在機(jī)器學(xué)習(xí)界大放光彩的經(jīng)典算法。支持向量機(jī)算法從某種意義上來(lái)說(shuō)是邏輯回歸算法的強(qiáng)化：通過(guò)給予邏輯回歸算法更嚴(yán)格的優(yōu)化條件，支持向量機(jī)算法可以獲得比邏輯回歸更好的分類界線。但是如果沒(méi)有某類函數(shù)技術(shù)，則支持向量機(jī)算法