电子商务建设网站,wordpress网站图片加载速度慢,网站制作怎么自己做,济南专门做网站的公司有哪些为了更好的阅读体验#xff0c;建议移步至笔者的博客阅读#xff1a;认识机器学习 生活中的问题1#xff1a;居民家庭生活用气价格
北京燃气小程序在线咨询#xff0c;查询北京居民家庭生活用气价格 上图价格梯度#xff0c;可以由文字转换成表格#xff1a;
第一档用气… 为了更好的阅读体验建议移步至笔者的博客阅读认识机器学习 生活中的问题1居民家庭生活用气价格
北京燃气小程序在线咨询查询北京居民家庭生活用气价格 上图价格梯度可以由文字转换成表格
第一档用气量为0-350含立方米气价为2.61元/m³
第二档用气量在350-500含立方米之间气价为每立方米2.83元/m³
第三档用气量为500立方米以上气价为每立方米4.23元/m³。
分档用气量立方米价格元/立方米第一档0-350含2.61第二档350-500含2.83第三档500以上4.23
某居民使用一些天然气之后需要知道应该支付多少费用该使用什么函数来计算居民家庭生活用气量 x 与 价格 f(x) 的关系 利用初中数学知识可以得到居民家庭生活用气量 x 与 价格 f(x) 的函数关系为 生活中的问题2北京市部分区域二手房房价
以 2023年11月30日北京市部分区域二手房房价为例 如何从上图的二手房真实价格中找出面积和房价的函数关系 二手房价的数学函数表达
将上章节中的面积和房价形成一个个二位坐标点信息放到二位坐标系中能否找到一条直线或者曲线来表达面积和房价的关系 从直觉来看可以绘制如下可能的函数直线或曲线 从上图中可以看到蓝色和橙色函数均可以表达面积和房价的关系但是哪一条是最合适的需要有充分的说服力。 我们知道房价的影响因素很多还有诸多因素 每一个影响因素可以使用形如面积和房价的函数关系式表达所有因素之和最终决定了房价 从上述房价的函数式可以知道房价最终是由 w 和 b 决定。 结合线性代数的矩阵转置基础知识可以将上述函数式简化表达 假设我们已经找到参数对W1, b1是房价函数的可能最优解那么如何来确认这个参数对就一定是最优解呢 正如上图所说如果存在某个函数存在使得能精准预测所有真实结果则该函数为最优解。但是现实情况中可能没有最完美的函数。那如何在所有“差的”函数中找到“最不差的”
利用高中的期望知识可以得到真实值 – 预测值 差值代价所有差值之和最小则为最优解。即只要存在参数对W1, b1利用房价函数的得到的所有房价和其真实房价差距最小则为最优解。 代价函数
从上述可以得到下述三个函数式 将上图中的下方俩个函数带入第一个函数可以简化成如下 对于函数 g(w,b) 的参数对 (w,b) 数值进行穷举会得到诸多 g 和 gw, b的数据对将这些数据对绘制到三维坐标系中可以表示为如下图 梯度下降
从上图可以看到三维坐标系中的函数图像”最低处“就是方差最小的地方也就是参数对w, b对于房价函数的最优解。求“最低点”的方法叫梯度下降算法。 通过上述推理可以得知想要找到房价函数的最优解就是在找代价函数的最优解。
类推其他问题
生活中除了房价问题还有很多类似问题都是需要人类找到最优的函数 上图中函数就是在解答相应的问题那么谁来解决帮我们找到最优函数呢答案不言而喻。 常见的机器学习问题
常见的机器学习问题可以归类为回归问题、分类问题、聚类问题 机器学习算法的分类
按学习的方式来划分
监督学习非监督学习半监督学习强化学习 按功能来划分 AI、ML、DL、 AIGC
AI、ML、DL、 AIGC 四者的关系如图 参考资料
文字资料
神经网络与深度学习-邱锡鹏
https://medium.com/ageitgey/machine-learning-is-fun-80ea3ec3c471#.ak1of1xbg
https://synoptek.com/insights/it-blogs/data-insights/ai-ml-dl-and-generative-ai-face-off-a-comparative-analysis/
https://feisky.xyz/machine-learning/basic.html
https://cloud.google.com/learn/what-is-artificial-intelligence?hlzh-cn
视频资料 下述视频资料可以在 B 站上找到同名视频 机器能像人一样思考吗人工智能一机器学习和神经网络
人脸识别啥原理人工智能二卷积神经网络
“神经网络”是什么如何直观理解它的能力极限它是如何无限逼近真理的
