AI主要的作用就是利用計算機模擬各種生物智能來解決問題，生物智能的多樣性造就了計算機模擬智能的多樣性，但是不管模擬的智能是什么，整個處理的過程都是相似的，都需要把模擬的智能通過數(shù)學(xué)建模給抽象出來，找到這些數(shù)學(xué)模型的輸入輸出是什么，然后用計算機程序把整個模型的計算過程給實現(xiàn)，前面的建模抽象(模型)是從數(shù)學(xué)理論的角度對整個智能進行探究，而后面的計算機程序?qū)崿F(xiàn)(算法)則是從計算機科學(xué)應(yīng)用的角度對智能進行應(yīng)用，這兩個過程都是AI不可或缺的過程，也通常都是同時存在的，因此在AI領(lǐng)域經(jīng)常會聽到這兩個詞(模型和算法)，其實描述的是同一個問題的兩個方面，只不過看的角度和解決問題的點有所不同而已。

拿神經(jīng)網(wǎng)絡(luò)做個例子，其實神經(jīng)網(wǎng)絡(luò)主要的目的就是讓計算機模擬人的智能進行決策，但是計算機執(zhí)行的都是一個一個的二進制計算，因此必須把人的神經(jīng)網(wǎng)絡(luò)通過某種方式轉(zhuǎn)換成這種二進制計算，這種方式就是數(shù)據(jù)建模和算法實現(xiàn)，首先把人的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)用數(shù)學(xué)模型的方式給呈現(xiàn)出來(神經(jīng)網(wǎng)絡(luò)里面輸入層、隱藏層和輸出層)，而神經(jīng)網(wǎng)絡(luò)內(nèi)部的信息傳導(dǎo)以及每一個層級里面的具體實現(xiàn)則通過算法轉(zhuǎn)換成可編程的步驟在計算機程序里面實現(xiàn)。神經(jīng)網(wǎng)絡(luò)從理論到應(yīng)用過程

上面說的都是最理想的狀況，但是有時候我們的數(shù)學(xué)模型里面的很多參數(shù)可能都不是確定的，需要重復(fù)的試驗來得到能解決某個應(yīng)用的最優(yōu)的值，這個時候就需要利用算法來反推模型參數(shù)，還是上面的神經(jīng)網(wǎng)絡(luò)，具體應(yīng)該分多少層，每一個層應(yīng)該有多少個節(jié)點，都是不確定的，因此需要先設(shè)定一些情況，用算法實現(xiàn)計算出來每一種情況最后得出的值，再通過對比擇優(yōu)選擇一個相對理想的情況，把理想的情況帶入到模型里面更新模型參數(shù)。

通常來說人工智能里面常出現(xiàn)的反推算法主要有：Linear Regression(線性回歸)

Logistics Regression(邏輯回歸)

Decision Tree(決策數(shù))

Neural Network(神經(jīng)網(wǎng)絡(luò))

K-Nearest Neighbors(K近鄰)

K-Means(K-平均)

而他們要用來優(yōu)化的模型主要是：Linear Regression Model(找到變量之間的線性關(guān)系)Logistic Model(找到變量之間的邏輯關(guān)系)Decision Tree Model(找到具體的決策規(guī)則)Neural Network Model(找到具體的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu))KNN Model(找到最優(yōu)的K)K-Means Model(找到最優(yōu)的K)

總結(jié)

以上是生活随笔為你收集整理的机器学习模型 知乎_机器学习中有哪些模型？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。