-
當(dāng)前位置:首頁(yè) > 創(chuàng)意學(xué)院 > 技術(shù) > 專題列表 > 正文
人工智能模型與算法區(qū)別(人工智能模型與算法區(qū)別是什么)
大家好!今天讓創(chuàng)意嶺的小編來(lái)大家介紹下關(guān)于人工智能模型與算法區(qū)別的問題,以下是小編對(duì)此問題的歸納整理,讓我們一起來(lái)看看吧。
ChatGPT國(guó)內(nèi)免費(fèi)在線使用,一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等
只需要輸入關(guān)鍵詞,就能返回你想要的內(nèi)容,越精準(zhǔn),寫出的就越詳細(xì),有微信小程序端、在線網(wǎng)頁(yè)版、PC客戶端
官網(wǎng):https://ai.de1919.com
本文目錄:
一、人工智能算法和容錯(cuò)控制的區(qū)別
人工智能算法和容錯(cuò)控制的區(qū)別:
1、人工智能英文簡(jiǎn)稱AI。它是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。人工智能算法也被稱之為軟計(jì)算,它是人們受自然界規(guī)律的啟迪,根據(jù)其原理模擬求解問題的算法。目前的人工智能算法有人工神經(jīng)網(wǎng)絡(luò)遺傳算法、模擬退火算法、群集智能蟻群算法和例子群算等等。
2、容錯(cuò)控制,指無(wú)論機(jī)組在何種工況下運(yùn)行,當(dāng)機(jī)組頻率、導(dǎo)葉接力器或水頭等反饋信號(hào)出現(xiàn)故障時(shí),調(diào)速器均應(yīng)能繼續(xù)自動(dòng)調(diào)節(jié)和工況轉(zhuǎn)換控制,繼續(xù)維持機(jī)組自動(dòng)運(yùn)行,且不允許危及機(jī)組運(yùn)行安全。
二、有大神能解釋一下啟發(fā)式算法和人工智能算法的異同嗎
相同點(diǎn):都依賴于計(jì)算機(jī)才能計(jì)算,無(wú)具體求解方程
不同點(diǎn):前者是模擬某種現(xiàn)象規(guī)律而解決一些優(yōu)化問題,后者是模擬人類大腦解決問題
三、自然智能與人工智能有何區(qū)別與聯(lián)系
自然智能與人工智能的區(qū)別是概念不同,聯(lián)系是人工智能發(fā)展受益與自然智能。
1、概念不同:自然智能是人類天生擁有的,不需要通過外部技術(shù)手段進(jìn)行模擬和實(shí)現(xiàn)。人工智能則是人類通過外部技術(shù)手段模擬和實(shí)現(xiàn)的。
2、兩者之間聯(lián)系:人工智能的發(fā)展正是受益于對(duì)自然智能的研究和借鑒。人工智能的算法和技術(shù)手段是基于對(duì)自然智能的研究和分析所得出的規(guī)律和模型。
四、人工智能算法簡(jiǎn)介
人工智能的三大基石—算法、數(shù)據(jù)和計(jì)算能力,算法作為其中之一,是非常重要的,那么人工智能都會(huì)涉及哪些算法呢?不同算法適用于哪些場(chǎng)景呢?
一、按照模型訓(xùn)練方式不同可以分為監(jiān)督學(xué)習(xí)(Supervised Learning),無(wú)監(jiān)督學(xué)習(xí)(Unsupervised Learning)、半監(jiān)督學(xué)習(xí)(Semi-supervised Learning)和強(qiáng)化學(xué)習(xí)(Reinforcement Learning)四大類。
常見的監(jiān)督學(xué)習(xí)算法包含以下幾類:
(1)人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network)類:反向傳播(Backpropagation)、波爾茲曼機(jī)(Boltzmann Machine)、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network)、Hopfield網(wǎng)絡(luò)(hopfield Network)、多層感知器(Multilyer Perceptron)、徑向基函數(shù)網(wǎng)絡(luò)(Radial Basis Function Network,RBFN)、受限波爾茲曼機(jī)(Restricted Boltzmann Machine)、回歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)、自組織映射(Self-organizing Map,SOM)、尖峰神經(jīng)網(wǎng)絡(luò)(Spiking Neural Network)等。
(2)貝葉斯類(Bayesin):樸素貝葉斯(Naive Bayes)、高斯貝葉斯(Gaussian Naive Bayes)、多項(xiàng)樸素貝葉斯(Multinomial Naive Bayes)、平均-依賴性評(píng)估(Averaged One-Dependence Estimators,AODE)
貝葉斯信念網(wǎng)絡(luò)(Bayesian Belief Network,BBN)、貝葉斯網(wǎng)絡(luò)(Bayesian Network,BN)等。
(3)決策樹(Decision Tree)類:分類和回歸樹(Classification and Regression Tree,CART)、迭代Dichotomiser3(Iterative Dichotomiser 3, ID3),C4.5算法(C4.5 Algorithm)、C5.0算法(C5.0 Algorithm)、卡方自動(dòng)交互檢測(cè)(Chi-squared Automatic Interaction Detection,CHAID)、決策殘端(Decision Stump)、ID3算法(ID3 Algorithm)、隨機(jī)森林(Random Forest)、SLIQ(Supervised Learning in Quest)等。
(4)線性分類器(Linear Classifier)類:Fisher的線性判別(Fisher’s Linear Discriminant)
線性回歸(Linear Regression)、邏輯回歸(Logistic Regression)、多項(xiàng)邏輯回歸(Multionmial Logistic Regression)、樸素貝葉斯分類器(Naive Bayes Classifier)、感知(Perception)、支持向量機(jī)(Support Vector Machine)等。
常見的無(wú)監(jiān)督學(xué)習(xí)類算法包括:
(1) 人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network)類:生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Networks,GAN),前饋神經(jīng)網(wǎng)絡(luò)(Feedforward Neural Network)、邏輯學(xué)習(xí)機(jī)(Logic Learning Machine)、自組織映射(Self-organizing Map)等。
(2) 關(guān)聯(lián)規(guī)則學(xué)習(xí)(Association Rule Learning)類:先驗(yàn)算法(Apriori Algorithm)、Eclat算法(Eclat Algorithm)、FP-Growth算法等。
(3)分層聚類算法(Hierarchical Clustering):?jiǎn)芜B鎖聚類(Single-linkage Clustering),概念聚類(Conceptual Clustering)等。
(4)聚類分析(Cluster analysis):BIRCH算法、DBSCAN算法,期望最大化(Expectation-maximization,EM)、模糊聚類(Fuzzy Clustering)、K-means算法、K均值聚類(K-means Clustering)、K-medians聚類、均值漂移算法(Mean-shift)、OPTICS算法等。
(5)異常檢測(cè)(Anomaly detection)類:K最鄰近(K-nearest Neighbor,KNN)算法,局部異常因子算法(Local Outlier Factor,LOF)等。
常見的半監(jiān)督學(xué)習(xí)類算法包含:生成模型(Generative Models)、低密度分離(Low-density Separation)、基于圖形的方法(Graph-based Methods)、聯(lián)合訓(xùn)練(Co-training)等。
常見的強(qiáng)化學(xué)習(xí)類算法包含:Q學(xué)習(xí)(Q-learning)、狀態(tài)-行動(dòng)-獎(jiǎng)勵(lì)-狀態(tài)-行動(dòng)(State-Action-Reward-State-Action,SARSA)、DQN(Deep Q Network)、策略梯度算法(Policy Gradients)、基于模型強(qiáng)化學(xué)習(xí)(Model Based RL)、時(shí)序差分學(xué)習(xí)(Temporal Different Learning)等。
常見的深度學(xué)習(xí)類算法包含:深度信念網(wǎng)絡(luò)(Deep Belief Machines)、深度卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolutional Neural Networks)、深度遞歸神經(jīng)網(wǎng)絡(luò)(Deep Recurrent Neural Network)、分層時(shí)間記憶(Hierarchical Temporal Memory,HTM)、深度波爾茲曼機(jī)(Deep Boltzmann Machine,DBM)、棧式自動(dòng)編碼器(Stacked Autoencoder)、生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Networks)等。
二、按照解決任務(wù)的不同來(lái)分類,粗略可以分為二分類算法(Two-class Classification)、多分類算法(Multi-class Classification)、回歸算法(Regression)、聚類算法(Clustering)和異常檢測(cè)(Anomaly Detection)五種。
1.二分類(Two-class Classification)
(1)二分類支持向量機(jī)(Two-class SVM):適用于數(shù)據(jù)特征較多、線性模型的場(chǎng)景。
(2)二分類平均感知器(Two-class Average Perceptron):適用于訓(xùn)練時(shí)間短、線性模型的場(chǎng)景。
(3)二分類邏輯回歸(Two-class Logistic Regression):適用于訓(xùn)練時(shí)間短、線性模型的場(chǎng)景。
(4)二分類貝葉斯點(diǎn)機(jī)(Two-class Bayes Point Machine):適用于訓(xùn)練時(shí)間短、線性模型的場(chǎng)景。(5)二分類決策森林(Two-class Decision Forest):適用于訓(xùn)練時(shí)間短、精準(zhǔn)的場(chǎng)景。
(6)二分類提升決策樹(Two-class Boosted Decision Tree):適用于訓(xùn)練時(shí)間短、精準(zhǔn)度高、內(nèi)存占用量大的場(chǎng)景
(7)二分類決策叢林(Two-class Decision Jungle):適用于訓(xùn)練時(shí)間短、精確度高、內(nèi)存占用量小的場(chǎng)景。
(8)二分類局部深度支持向量機(jī)(Two-class Locally Deep SVM):適用于數(shù)據(jù)特征較多的場(chǎng)景。
(9)二分類神經(jīng)網(wǎng)絡(luò)(Two-class Neural Network):適用于精準(zhǔn)度高、訓(xùn)練時(shí)間較長(zhǎng)的場(chǎng)景。
解決多分類問題通常適用三種解決方案:第一種,從數(shù)據(jù)集和適用方法入手,利用二分類器解決多分類問題;第二種,直接使用具備多分類能力的多分類器;第三種,將二分類器改進(jìn)成為多分類器今兒解決多分類問題。
常用的算法:
(1)多分類邏輯回歸(Multiclass Logistic Regression):適用訓(xùn)練時(shí)間短、線性模型的場(chǎng)景。
(2)多分類神經(jīng)網(wǎng)絡(luò)(Multiclass Neural Network):適用于精準(zhǔn)度高、訓(xùn)練時(shí)間較長(zhǎng)的場(chǎng)景。
(3)多分類決策森林(Multiclass Decision Forest):適用于精準(zhǔn)度高,訓(xùn)練時(shí)間短的場(chǎng)景。
(4)多分類決策叢林(Multiclass Decision Jungle):適用于精準(zhǔn)度高,內(nèi)存占用較小的場(chǎng)景。
(5)“一對(duì)多”多分類(One-vs-all Multiclass):取決于二分類器效果。
回歸
回歸問題通常被用來(lái)預(yù)測(cè)具體的數(shù)值而非分類。除了返回的結(jié)果不同,其他方法與分類問題類似。我們將定量輸出,或者連續(xù)變量預(yù)測(cè)稱為回歸;將定性輸出,或者離散變量預(yù)測(cè)稱為分類。長(zhǎng)巾的算法有:
(1)排序回歸(Ordinal Regression):適用于對(duì)數(shù)據(jù)進(jìn)行分類排序的場(chǎng)景。
(2)泊松回歸(Poission Regression):適用于預(yù)測(cè)事件次數(shù)的場(chǎng)景。
(3)快速森林分位數(shù)回歸(Fast Forest Quantile Regression):適用于預(yù)測(cè)分布的場(chǎng)景。
(4)線性回歸(Linear Regression):適用于訓(xùn)練時(shí)間短、線性模型的場(chǎng)景。
(5)貝葉斯線性回歸(Bayesian Linear Regression):適用于線性模型,訓(xùn)練數(shù)據(jù)量較少的場(chǎng)景。
(6)神經(jīng)網(wǎng)絡(luò)回歸(Neural Network Regression):適用于精準(zhǔn)度高、訓(xùn)練時(shí)間較長(zhǎng)的場(chǎng)景。
(7)決策森林回歸(Decision Forest Regression):適用于精準(zhǔn)度高、訓(xùn)練時(shí)間短的場(chǎng)景。
(8)提升決策樹回歸(Boosted Decision Tree Regression):適用于精確度高、訓(xùn)練時(shí)間短、內(nèi)存占用較大的場(chǎng)景。
聚類
聚類的目標(biāo)是發(fā)現(xiàn)數(shù)據(jù)的潛在規(guī)律和結(jié)構(gòu)。聚類通常被用做描述和衡量不同數(shù)據(jù)源間的相似性,并把數(shù)據(jù)源分類到不同的簇中。
(1)層次聚類(Hierarchical Clustering):適用于訓(xùn)練時(shí)間短、大數(shù)據(jù)量的場(chǎng)景。
(2)K-means算法:適用于精準(zhǔn)度高、訓(xùn)練時(shí)間短的場(chǎng)景。
(3)模糊聚類FCM算法(Fuzzy C-means,F(xiàn)CM):適用于精確度高、訓(xùn)練時(shí)間短的場(chǎng)景。
(4)SOM神經(jīng)網(wǎng)絡(luò)(Self-organizing Feature Map,SOM):適用于運(yùn)行時(shí)間較長(zhǎng)的場(chǎng)景。
異常檢測(cè)
異常檢測(cè)是指對(duì)數(shù)據(jù)中存在的不正常或非典型的分體進(jìn)行檢測(cè)和標(biāo)志,有時(shí)也稱為偏差檢測(cè)。
異常檢測(cè)看起來(lái)和監(jiān)督學(xué)習(xí)問題非常相似,都是分類問題。都是對(duì)樣本的標(biāo)簽進(jìn)行預(yù)測(cè)和判斷,但是實(shí)際上兩者的區(qū)別非常大,因?yàn)楫惓z測(cè)中的正樣本(異常點(diǎn))非常小。常用的算法有:
(1)一分類支持向量機(jī)(One-class SVM):適用于數(shù)據(jù)特征較多的場(chǎng)景。
(2)基于PCA的異常檢測(cè)(PCA-based Anomaly Detection):適用于訓(xùn)練時(shí)間短的場(chǎng)景。
常見的遷移學(xué)習(xí)類算法包含:歸納式遷移學(xué)習(xí)(Inductive Transfer Learning) 、直推式遷移學(xué)習(xí)(Transductive Transfer Learning)、無(wú)監(jiān)督式遷移學(xué)習(xí)(Unsupervised Transfer Learning)、傳遞式遷移學(xué)習(xí)(Transitive Transfer Learning)等。
算法的適用場(chǎng)景:
需要考慮的因素有:
(1)數(shù)據(jù)量的大小、數(shù)據(jù)質(zhì)量和數(shù)據(jù)本身的特點(diǎn)
(2)機(jī)器學(xué)習(xí)要解決的具體業(yè)務(wù)場(chǎng)景中問題的本質(zhì)是什么?
(3)可以接受的計(jì)算時(shí)間是什么?
(4)算法精度要求有多高?
————————————————
原文鏈接: https://blog.csdn.net/nfzhlk/article/details/82725769
以上就是關(guān)于人工智能模型與算法區(qū)別相關(guān)問題的回答。希望能幫到你,如有更多相關(guān)問題,您也可以聯(lián)系我們的客服進(jìn)行咨詢,客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。
推薦閱讀:
人工智能模型與算法區(qū)別(人工智能模型與算法區(qū)別是什么)
人行道景觀設(shè)計(jì)(人行道景觀設(shè)計(jì)手繪)