人工智能算法的类型及其工作原理？

引言

所有算法都有可能很简单，但人工智能算法本身就更复杂。具有人工智能（AI）的算法通过摄取训练数据进行学习。各种 AI 算法类型的主要区别在于它们获取和标记数据的方式。

从根本上说，AI 算法利用训练数据（由程序员提供或由程序本身获取的标记或未标记数据）来进行学习和进步。之后，它将训练数据作为基础来执行其职责。某些 AI 系统可以通过吸收新数据并从中学习来训练自己适应和改进其操作。其他的则需要程序员的帮助来简化。

人工智能算法的类型

监督学习、无监督学习和强化学习是 AI 算法的三种主要类型。这些算法的主要区别在于它们学习的方式和工作方式。

这些类别下有数百种不同的算法。我们将讨论每个类别中最常用和最受欢迎的算法，以及常用的应用场景。

1. 监督学习算法

“监督学习”是最早也是最广泛使用的算法类别。它们通过接收标记好的数据进行训练，然后应用这些数据来获取知识和发展。它使用标记数据来预测测试数据的结果。“监督学习”一词指的是在学习者观察教师或其他专家的过程中发生的学习。

开发有效的监督学习算法需要一组敬业的专家来评估和审查结果，此外还需要数据科学家通过将算法生成的模型与原始数据进行比较来验证模型，并识别 AI 的任何不准确之处。

分类和回归

下面我们直接介绍各种监督学习算法。它们都可以用于回归、分类或两者兼有。

分类是使用二元（0 = 否，1 = 是）来获得“是/否”的结论。因此，事物只会由算法分类为一种或另一种，绝不会同时是两者。多类分类是指将数据排列到与特定需求相关的预定类别或类型中。

使用回归，输出的最终结果将是一个实数——一个四舍五入的数字或一个小数点。该方法通常使用来自因变量和自变量的数据来估计潜在的替代结果（预测或概括性估计）。

决策树

决策树是一种流行的监督学习技术，之所以命名为“决策树”，是因为其树状结构，尽管这棵树是倒置的。训练数据集充当树的“根”， dẫn dắt 到代表测试属性的特定节点。节点通常与相邻节点连接。一个不再继续深入的节点称为“叶子”。

所有数据都通过决策树分类到决策节点中。它使用一种称为属性选择度量（ASM）的选择标准，该标准考虑了多个度量（熵、信息增益率、信息增益等是一些例子）。决策树通过根据 ASM，遵循训练数据到子节点，直到达到最终结果，从而对提供给它的数据进行分类。

随机森林

正如其名称所示，随机森林方法实际上是各种决策树的一个庞大集合。为了获得更准确的结果，随机森林构建多个决策树并将它们连接起来。这些适用于回归和分类。

支持向量机

另一种流行的 AI 方法，可用于回归或分类（尽管通常用于分类），是支持向量机（SVM）算法。为了使 SVM 工作，每个数据点都被绘制在图表上（在 N 维空间中，其中 N = 数据点数）。然后，该方法使用分割每个类的超平面来对数据点进行分类。可能存在一个以上的超平面。

朴素贝叶斯

由于该方法基于贝叶斯定理，并且在很大程度上依赖于一个假设：即一个特征的存在与同一类别中其他特征的存在无关，因此该方法被称为“朴素贝叶斯”。名称中的“朴素”部分指的是其主要前提。

具有多个类的大型数据集可以从朴素贝叶斯的使用中受益。它是一种分类算法，就像许多其他监督学习方法一样。

线性回归

回归模型使用了名为“线性回归”的监督学习 AI 技术。它主要用于查找数据点、预测和估计之间的关系。它的工作方式与 SVM 类似，将数据点绘制在图表上，其中因变量绘制在 Y 轴上，自变量显示在 X 轴上。然后，创建数据点的线性图以确定它们之间的关系并预测潜在的未来数据。

逻辑回归

逻辑回归技术通常使用二元值（0/1）来估计一组自变量的值。逻辑回归产生一个“是/否”的结果，即 1 或 0。电子邮件垃圾邮件过滤器是这样一个例子。为了确定传入的电子邮件是否为垃圾邮件（0）或不是（1），垃圾邮件检测程序使用逻辑回归。

只有在因变量是分类变量（即是或否）的情况下，逻辑回归才会有用。

2. 无监督算法

与监督学习相比，现在推断无监督学习算法的含义可能相当简单。发送给无监督学习算法的数据是未标记的。为了给数据增加更多含义，无监督学习算法使用未标记的数据来构建模型并评估不同数据点之间的关系。

聚类

许多无监督学习方法将未标记的数据点组织成预先建立的组，这个过程称为“聚类”。目标是每个数据点只属于一个簇，没有重叠。

K均值聚类

K-均值是一种旨在执行无监督学习的聚类功能的算法。为了实现这一点，它绘制所有数据，独立于簇，使用预先建立的簇。然后，它将一个随机选择的数据点显示为每个簇的质心（想象它是一个以该特定数据点为精确中心的圆）。然后根据其余数据点彼此之间以及与每个簇的中心数据点的距离将它们分组到簇中。

高斯混合模型

高斯混合模型在许多方面与 K-均值聚类相似。两者的重点都是根据相似性将信息组织到预定义的组中。相比之下，高斯模型允许更广泛的簇形状。

想象一下，我们所有的数据点都绘制在一个图表上。使用 K-均值聚类，数据只能以圆形模式分组，每个簇的质心都在其中心。高斯混合模型可以处理更线性的数据，它允许椭圆形簇。如果一个数据点落在一个簇的圆内，这使得聚类更加清晰。

监督和无监督算法

某些 AI 算法能够处理监督和无监督的数据输入。根据它们的位置，它们可能具有略有不同的用途。

K-近邻算法

K-近邻（KNN）方法是一种基本的人工智能技术，它将提供的数据点绘制在地图上以说明它们之间的关系，假设它们都彼此靠近。随后，该方法可以计算数据点之间的距离来推断它们的相关性并将结果绘制在图上。它可用于监督学习中的回归或分类任务。在无监督学习中，它广泛用于异常检测，即识别和消除不属于的数据。

神经网络

一组称为神经网络算法的人工智能算法模仿人脑的操作。它们的应用超出了本文的范围，并且通常比本文介绍的许多算法更复杂。它可用于监督和无监督学习中的分类和模式识别任务。

3. 强化学习算法

强化学习算法是 AI 算法的最后一个主要类别。它们通过分析其行为结果的输入来学习。通常，这会以“奖励”的形式出现。

强化算法的两个主要组成部分是执行任务的环境和执行任务的代理（agent）。当环境向代理发送“状态”信号时，周期开始。这使得代理能够执行环境中的特定任务。在活动完成后，环境通过“奖励”信号通知代理发生了什么，使其能够修改和评估其先前的行为。然后，它可以用更新的知识再次执行该任务。除非环境发送了紧急停止信号，否则过程将重复。

算法可以使用负奖励或正奖励作为一种强化形式。

定义：价值（Value）、策略（Policy）和模型（Model）

根据被监控的内容，强化算法技术有几种细微的变体。以下提供了几种模型和度量的定义：

• 策略：策略是指代理决定下一步做什么的方法。
• 模型：指环境的状况和动态。
• 价值：指预期的最终结果。这与来自特定环境活动的奖励不同。价值是随时间推移的多个活动的汇总。
• 基于价值的：在基于价值的强化算法中，代理力求实现预期的长期回报，而不是仅仅关注即时收益。
• 基于策略的：在决定下一步做什么时，基于策略的强化算法通常采用以下两种策略之一。采用以下两种方法之一：一种是动态方法，计算概率并将特定概率映射出来；另一种是标准化方法，即任何情况都会导致相同的操作。每种概率都有独特的策略响应。
• 基于模型的：程序员使用此方法为每种情况生成独特的动态。这样，当代理被置于每种不同的模型中时，它就会学会始终如一地运行。

AI 算法的应用

AI 系统和算法有数百种应用。让我们简要讨论一些 AI 算法的重要用途：

AI 算法的典型应用包括：

1) 语音助手

Siri、Google Home 和 Alexa 等数字助手使用由 AI 支持的语音用户界面（VUI）来解释和处理语音请求。AI 使这些应用程序能够在语音指令之外，灵活地使用云服务器上的大型数据集。之后，这些程序每秒可以处理数百万行数据，以完成任务并提供个性化的搜索结果。

客户的理解发生了巨大变化，他们对这项技术的接受度也提高了。语音助手界面正在快速发展；特别是，它们正在医疗领域用于检测特定疾病的语音指标。远程医疗应用程序还使用基于语音的聊天机器人进行测试和治疗。

2) 娱乐流媒体应用

为了确保无缝的用户体验，Netflix、Spotify 和 Hulu 等流媒体服务不断将数据输入机器学习算法。

基于对用户与其他媒体交互的分析，这些流媒体应用程序会推荐个性化内容。通过使用 AI 筛选不断增长的用户数据量，这些应用程序会为每位用户生成符合其口味的歌曲、电影和电视节目播放列表。

AI 对于确保连续流媒体也很重要，因为它会自动将用户分配到离他们最近的服务器。此外，带宽分配会根据某个媒体项的受欢迎程度自动调整。

3) 智能输入键盘

最新版本的移动键盘应用程序使用语言识别和自动更正功能来提供无缝的用户体验。

这些应用程序使用人工智能（AI）以一种不显眼的方式预测下一个单词，帮助在语言之间切换，并快速修复错误。人工智能（AI）程序员通过使用“随机森林”机器学习技术，正在训练这些应用程序来理解输入的短信的上下文并提供准确的预测。

Typewise 和 SwiftKey 等应用程序现在支持 300 多种语言。最近，还添加了嵌入式搜索引擎和实时翻译等功能。

4) 旅行与导航

AI 工程师一直在努力开发 Waze 和 Google Maps 等应用程序。只有应用于卫星图像的机器学习算法才能交叉检查每秒更新的海量地理数据。

麻省理工学院的研究人员最近开发了一种导航模型，该模型可以实时识别虚拟地图上的道路特征。同时，这些数字地图是使用卫星图像生成的，并且包含有关停车位和自行车道的数据。

基于图神经网络（GNN）和卷积神经网络（CNN）的成像方法使频繁的路径修改变得更加容易。使用预测模型，AI 还有助于识别卫星图像上被自然植被覆盖的路径。

5) 游戏化疗法

自从《吃豆人》和《乓》等街机游戏时代以来，人工智能（AI）就被用于游戏中，以创建直观的宇宙。但迄今为止，游戏 AI 的进步一直侧重于为玩家提供更具挑战性的任务，而不是评估他们的精神状态。

如今，人们正在开发游戏化应用程序来评估玩家在面临即将到来的损失时的心理承受能力。这有助于研究减轻游戏玩家和普通人焦虑和抑郁的策略。

其中一些游戏应用程序通过使用虚拟现实（VR）头显提供认知行为疗法（CBT）以改善与用户的互动。随着游戏的进行，AI 使这些游戏能够根据评估的提示调整到玩家的行为。

6) 自动驾驶汽车

全球对自动驾驶汽车技术的商业兴趣正驱动着 AI 的大规模创新。AI 凭借盲点检测和巡航控制等功能，实现了完全自主的能力。

自动驾驶汽车正在通过一种称为深度强化学习（DRL）的机器学习类型进行训练。许多预测性 AI 算法能够在静态和动态障碍物的存在下进行路径规划。

正在考虑准确预测附近汽车何时会变道以及其他不可预见的情况。这得益于同时定位与地图绘制（SLAM）技术，该技术使用传感器为环境提供实时方向。

7) 面部识别技术

当今大多数高端移动设备中的 Face ID 解锁功能是这项技术最广泛的应用。这项技术面临的最大障碍是公众对在法医学中使用时存在的性别和种族偏见的担忧。

通过使用生成对抗神经网络（GANN），面部识别软件的误差率正在降低。此外，这些神经网络正在被训练来识别非法深度伪造（Deepfake）技术的滥用。

许多行业也在开发能够从面部表情识别意图和情绪的人工智能（AI）技术。情感计算，也称为情绪 AI，是一个快速发展的研究领域，旨在衡量消费者体验。

8) 安全与监控

人眼几乎不可能同时监控过多的闭路电视网络显示器。因此，我们有必要自动化这些监控操作，并通过使用机器学习技术进一步改进它们。

AI 使人类观察者能够专注于验证和响应关键情况。人工智能（AI）视频监控软件负责持续监控和检测监控的方面。人工智能能够检测到人类有时会忽略的异常行为。

政府机构和其他高风险公共场所的闭路电视摄像机使用 AI 面部识别技术的扩展。自由国家现在正在研究如何减少 AI 监控可能侵犯个人隐私的可能性。

9) 物联网

人工智能（AI）与物联网（IoT）的融合，为创造需要最少人工干预即可运行的智能家用电器提供了多种前景。尽管物联网处理设备如何连接到互联网，但人工智能（AI）使这些设备能够从数据中学习。

物联网的实现涉及五个主要步骤：创建、通信、收集、分析和行动。分析的深度决定了最后一个阶段“行动”的有效性，而 AI 大大增强了这个过程。

AI 充分利用了物联网设备上传感器收集的数据。得益于跨多个迭代从这些数据中获得的经验，物联网设备能够更有效地响应人类刺激和需求。

11) 农业

人工智能用于检测土壤缺陷和营养不足。人工智能、计算机视觉和机器学习技术用于分析杂草生长模式。与人工相比，AI 机器人可以更快、更大量地协助农业收割。