AI時(shí)代到來(lái)，作為職場(chǎng)人的我們，或許可以了解一些AI術(shù)語(yǔ)名詞。這篇文章里，作者就介紹了一些概念，不妨來(lái)看看。

本文專為非技術(shù)背景的AI愛好者設(shè)計(jì)，旨在深入淺出地介紹AI的基礎(chǔ)概念和關(guān)鍵技術(shù)，從最基礎(chǔ)的邏輯回歸到復(fù)雜的Transformer模型，帶您一步步解鎖AI技術(shù)的奧秘。

一、邏輯回歸

如果你想通過人工智能判斷某人是否會(huì)患糖尿病，則邏輯回歸可以通過綜合分析用戶的年齡、體重、胰島素水平等等來(lái)給出一個(gè)0~1的概率值，如果閾值設(shè)定為0.7，則高于0.7的我們就歸類為高風(fēng)險(xiǎn)人群，以便更早期的干預(yù)和管理風(fēng)險(xiǎn)。

二、線性回歸

邏輯回歸解決的是0到1的概率問題，而很多時(shí)候是我們需要具體的值，比如你在擺攤賣冰激凌，你注意到溫度越高，你賣出去的冰激凌越多。

線性回歸就像是你用尺子和鉛筆在歷史銷售數(shù)據(jù)的散點(diǎn)圖表上畫一條直線，盡量讓這條線貼近所有的銷售點(diǎn)（溫度是x，銷售額是y）。這樣，你就可以用這條線預(yù)測(cè)，在任何給定溫度下，你大概能賣多少冰激凌。

三、多元多項(xiàng)式回歸

你一定發(fā)現(xiàn)了在前文冰激凌案例中，很顯然溫度對(duì)收入的影響并不是直線而是一個(gè)曲線，并且也不止溫度這一個(gè)自變量。多元多項(xiàng)式回歸就是一種可以綜合考慮多個(gè)X自變量并且能得出非線性關(guān)系的機(jī)器學(xué)習(xí)算法。比如訓(xùn)練一個(gè)評(píng)估房?jī)r(jià)的模型，那么自變量就有：面積、房齡、距離地鐵站距離、樓層數(shù)等等，自變量越多，模型越能去模擬真實(shí)世界。

四、決策樹

本文前三節(jié)都是基于簡(jiǎn)單的數(shù)學(xué)公式的模型，這些模型要求輸入數(shù)據(jù)是數(shù)值型，這意味著在處理性別、城市、疾病類別等非數(shù)值型時(shí)，需要進(jìn)行數(shù)值轉(zhuǎn)化的預(yù)處理，這增加了算法復(fù)雜度，造成過擬合等問題。

決策樹可以直接處理分類特征，比如訓(xùn)練一個(gè)診斷心臟病類型的算法模型，我們搭建有很多決策點(diǎn)比如：患者的胸痛類型、心電圖結(jié)果，這些決策點(diǎn)就構(gòu)成了一個(gè)決策樹，每個(gè)葉節(jié)點(diǎn)代表一個(gè)特定的心臟病診斷。需要注意的是決策樹和前三種算法并不是互斥關(guān)系，決策樹的葉節(jié)點(diǎn)上可以包含獨(dú)立的算法模型。

五、隨機(jī)森林

就像醫(yī)生之間對(duì)于同一個(gè)癥狀會(huì)有不同的疾病診斷一樣，對(duì)于同一個(gè)問題會(huì)無(wú)數(shù)種決策樹方式，如果醫(yī)生用投票的形式來(lái)最終決定是哪一個(gè)疾病診斷，這種診斷的準(zhǔn)確性往往比一個(gè)醫(yī)生的準(zhǔn)確率高很多，這種集成多顆決策樹的模型構(gòu)建方式，叫做隨機(jī)森林。

為什么叫“隨機(jī)”森林呢？好比每個(gè)醫(yī)生都是一個(gè)決策樹，就算他們是從一個(gè)學(xué)校培養(yǎng)出來(lái)的，但他們個(gè)人接觸到的病例樣本不同，個(gè)人性格傾向于保守還是樂觀也不同，這種隨機(jī)性讓每一個(gè)決策樹結(jié)構(gòu)都不同，所以被稱之為隨機(jī)森林。

六、聚類

在機(jī)器學(xué)習(xí)中訓(xùn)練模型就好比是用“大量已知的y和x”去倒推出在“y=f（x）”中的f，比如訓(xùn)練一個(gè)短視頻推薦算法，x是用戶數(shù)據(jù)，y是用戶興趣標(biāo)簽，如果y的顆粒度越精準(zhǔn)那么推薦的視頻也就越符合他的胃口。

但在實(shí)際中，我們很難去給用戶標(biāo)注合適的y來(lái)準(zhǔn)備足夠的訓(xùn)練集。此時(shí)，就常用到聚類算法，他可以自行從大量x中依據(jù)數(shù)據(jù)之間的相似度來(lái)劃分成多個(gè)類別，聚類常用在機(jī)器學(xué)習(xí)的數(shù)據(jù)預(yù)處理階段。

七、降維

假設(shè)你有一個(gè)信息超級(jí)全的地圖，包含馬路、鐵路、景點(diǎn)、學(xué)校、醫(yī)院、甚至地形海拔，但是你只是想知道從人民廣場(chǎng)到陸家嘴要坐幾號(hào)線而已，那最適合你的就只是地鐵路線圖而已，這種簡(jiǎn)化數(shù)據(jù)但保留重要信息的過程就叫做降維，人工智能對(duì)信息的降維可以減少計(jì)算成本（省電費(fèi)、省顯卡），比如，你要訓(xùn)練一個(gè)給臉部顏值打分的模型，那么采集到的照片背景、用戶的衣服顏色等等就是多余的數(shù)據(jù)。

八、卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）最典型的運(yùn)用是圖像識(shí)別，它模仿人的思維，自動(dòng)捕捉典型特征，比如邊緣、角落、紋理等，然后他們的發(fā)現(xiàn)會(huì)被匯總起來(lái)，以幫助整個(gè)團(tuán)隊(duì)理解整張圖片的內(nèi)容。比如我們判斷照片上的動(dòng)物是不是貓，我們會(huì)最先想到的是看它的三角形的耳朵、圓胖的臉蛋、小鼻子，綜合這些特征后判斷是不是貓。

九、循環(huán)神經(jīng)網(wǎng)絡(luò)

CNN適合處理圖像或視頻這種網(wǎng)格結(jié)構(gòu)的數(shù)據(jù)，而循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）適合處理文本、語(yǔ)音、天氣這類有時(shí)間順序序列數(shù)據(jù)，它具有一定的記憶能力能夠理解上下文關(guān)系。這個(gè)算法的缺點(diǎn)是容易“梯度爆炸”或者“梯度消失”，“梯度爆炸”可以類比為在閱讀小說時(shí)，對(duì)之前章節(jié)非必要的細(xì)節(jié)過于沉浸無(wú)法忘懷，以至于影響了對(duì)當(dāng)前內(nèi)容的理解。而“梯度消失”則相當(dāng)于你很快就忘記了之前的內(nèi)容，使得理解當(dāng)前內(nèi)容變得困難。

十、Transformer

Transformer模型通過其獨(dú)特的自注意力機(jī)制可以解決CNN中常有的“梯度爆炸”和“梯度消失”的問題，并且它不需要像RNN一樣按順序處理數(shù)據(jù)，而是可以一次性讀取全部數(shù)據(jù)。就像是在一個(gè)巨大的圖書館里尋找信息，RNN是一本一本去讀，而Transformer可以一次性看完，并迅速找到你需要的信息。這種方法特別適合處理語(yǔ)言，因?yàn)樗枰瑫r(shí)理解句子中的每個(gè)詞及其上下文關(guān)系。