了解AI背后的引擎，4个技术爱好者应该知道的机器学习算法

在这种情况下，纯线性SVM分隔符无法容纳真实的弯曲边界。 因此，为了解决皮肤问题，SVM应用了各种内核函数以在可线性分离的边界之间拉直数据。 尽管这是一个简化，但这是内核技巧的主要思想。 例如，考虑指数边界，并且应用对数对拉直的效果。

还将训练适用于数据的哪些函数，包括但不限于多项式，S形，高斯函数以及这些函数的任意组合，以提供最容易线性分离的数据。 在高维数据中，无论数据的结构如何，SVM都可以很好地运行。

支持向量机有时被用作低维图像分类的一种低计算成本的方法，该模式易于识别，因此支持向量机可以正确地对其进行分类，但不能保证复杂数据关系的常用算法即神经网络。

神经网络

神经网络是机器学习中最强大的算法家族。 但是，数学上已经证明，没有"通用"算法可以在所有数据集上发挥最佳性能，因此，不应将神经网络用作对任何数据集的切刀解决方案。 最重要的是，它们的培训成本可能很高，因此应谨慎使用。

就是说，神经网络是最先进的AI应用程序中使用最广泛的算法。 它们在大脑中模拟神经元及其之间的联系。 在神经网络中，存在三种类型的层：

输入图层，用于接收信息。 输入层中神经元的数量与输入(X)的维数相对应。 例如，如果图像数据集为28 x 28像素，则输入层将具有28 x 28 = 784个神经元。 输出层，输出神经网络的决策。 输出层中神经元的数量与输出的维数(y)相对应。 例如，一个旨在将新闻分类为真实(1)或伪造(0)的数据集将只有一个输出神经元。 隐藏层，它们连接输入层和输出层。 隐藏层为神经网络增加了更多的复杂性和信息。 通常，隐藏层越多，神经网络可以执行的功能越复杂和"智能"。

每个神经元就像一个小型计算器-信息经过传递，转换，然后传递到下一层。 神经元具有输入要通过的激活函数，该函数将输入简单地转换为更好地帮助神经网络理解和处理信息的格式。

神经元之间的每个连接也具有权重。 信息通过连接传递时，将乘以权重。

每个神经元都会执行少量计算，将它们与权重链接在一起时，现代神经网络便会在庞大的规模上运行-数十个隐藏层，每层数百个神经元以及数百万个参数(权重)，它们可以生成文本， 读取图像并执行其他"智能"操作。

神经网络的反向传播算法可调整权重。 在神经网络中，调整神经网络之间的权重。 如果网络足够大，可能要花费数小时甚至数天的时间来训练几千万个砝码中的每一个。

神经网络和深度学习一直是最新技术发展背后的算法，其中包括AlphaGo击败世界围棋冠军，创造逼真的艺术品并产生音乐。

现在您了解了AI的引擎。

谢谢阅读! 如果您对AI中的这四种算法或机器学习有任何疑问或澄清，请随时做出回应。

（编辑：应用网_阳江站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!