“机器学习”的版本间的差异
来自China Digital Space
| （未显示6个用户的23个中间版本） | |||
| 第1行： | 第1行： | ||
| − | + | [[File:机器学习.jpg|400px|thumb|right|机器学习]] | |
| − | |||
| − | | | ||
| − | | | ||
| − | |||
| − | < | + | 机器学习是人工智能的一个子集。这项技术的主要任务是指导计算机从数据中学习，然后利用经验来改善自身的性能，不需要进行明确的编程。在机器学习中，算法会不断进行训练，从大型数据集中发现模式和相关性，然后根据数据分析结果做出最佳决策和预测。机器学习应用具有自我演进能力，它们获得的数据越多，准确性会越高。机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。 <ref>[https://www.sap.cn/insights/what-is-machine-learning.html 什么是机器学习？]</ref> |
| − | + | ||
| − | + | ===机器学习的3种训练方法=== | |
| − | + | ||
| − | + | '''1. 监督机器学习：'''监督机器学习算法最为常用。在该模型下，数据科学家扮演向导，告诉算法它应该得出什么结论。就像孩子通过在图画书中记住水果来学习识别水果一样，在监督学习中，算法是由已经标记并具有预定义输出的数据集进行训练的。监督机器学习的例子包括算法，如线性和逻辑回归，多类别分类和支持向量机。<ref>[https://www.oracle.com/cn/data-science/machine-learning/what-is-machine-learning/ 机器学习是什么？]</ref> | |
| − | --> | + | |
| − | === | + | '''2.无监督机器学习：'''无监督机器学习相对而言更加独立，在该模式下，计算机会在无人类持续提供密切指导的前提下学习识别复杂的过程和模式。无监督机器学习包括根据没有标签的数据或特定的、定义好输出的数据进行训练。继续使用幼儿教学作类比，无监督机器学习类似于孩子通过观察颜色和图案来识别水果，而不是在老师的帮助下记住水果的名字。孩子（算法）会自己寻找图像之间的相似性，对图像分组，为每一个小组分配一个新标签。无监督机器学习的算法有 K 均值聚类、主成分和独立分量分析以及关联规则。<ref>[https://www.oracle.com/cn/data-science/machine-learning/what-is-machine-learning/ 机器学习是什么？]</ref> |
| + | |||
| + | '''3.强化学习：'''在监督学习模型中，我们事先输入了问题的答案，机器通过寻找所有正确结果之间的相关性进行学习。而在强化学习模型中，我们并没有事先提供问题的答案，只是提供了一组许可的动作、规则和可能的最终状态。如果算法的期望值是固定的或者二进制形式，那么机器可以通过示例进行学习。但如果期望值是可变的，那么系统必须通过经验和奖励进行学习。在强化学习模型中，“奖励”是数值形式，并且作为系统要收集的对象被编程到算法中。 | ||
| + | |||
| + | 这种模式很像教人如何下棋。显然，你不可能向对方展示每一步应该怎么走。相反，你会向他们解释规则，然后他们将通过练习来逐步掌握要领。奖励的形式不仅是获胜，还包括吃掉对手的棋子。强化学习的应用包括在线广告位买家自动竞价、电脑游戏开发和高风险股票市场交易等。 <ref>[https://www.sap.cn/insights/what-is-machine-learning.html 什么是机器学习？]</ref> | ||
| + | ===机器学习在生物识别技术中的应用=== | ||
| + | |||
| + | 生物特征识别技术（Biometrics）是指利用人体与生俱来的生理特性和长年累月形成的行为特征来进行身份鉴定的一种识别技术。目前可用于身份识别的人体特征包括指纹、虹膜、面部、掌纹、静脉等生理特征和步态、笔迹、声音等行为特征。生物特征识别技术背后涉及到计算机科学、光学与声学等物理科学、生物科学、生物传感器和生物统计学原理，安全技术，以及人工智能技术等众多基础科学与创新应用技术，是一个完整的多学科技术解决方案。 | ||
| − | + | 近些年随着人工智能的发展，让生物特征识别技术变得更加成熟。目前，人脸识别技术是生物特征中最具代表性的。 | |
| − | |||
| − | |||
| − | |||
| − | + | 人脸识别的流程包括人脸采集、人脸检测、人脸特征提取和人脸匹配识别，其中人脸识别过程采用了机器学习中的AdaBoos算法、卷积神经网络以及支持向量机等多种技术。目前传统人脸识别困难包括面部旋转，遮挡，相似性等都有了很大的算法提升，使得人脸识别的精准度得到极大的提高，以2D人脸、3D人脸、多光谱人脸等多种模态为代表，每种模态都具有不同的采集适应场景、数据安全程度和隐私敏感度等，而大数据的深度学习的加入，使3D人脸识别算法补充2D投影的缺陷，能快速识别人员身份，为二维人脸识别的应用带来了一定的突破。同时，目前基于活体检测技术正作为提高人脸识别安全性的关键性技术，可以有效抵御照片、视频、三维模型、假体面具等仿冒欺诈，自主判断操作用户身份。 | |
| − | < | + | 其他广泛应用到机器学习的[[生物识别|生物识别技术]]还包括[[步态识别]]、[[掌纹识别]]等。<ref>[https://www.sohu.com/a/428138942_99947626 当前主要生物特征识别技术发展及趋势] </ref> |
| − | + | === 中国数字时代相关文章 === | |
| − | + | *[https://chinadigitaltimes.net/chinese/425779.html 奇客资讯 | 信息安全专家体验防火长城] | |
| − | {{ | + | *[https://chinadigitaltimes.net/chinese/266628.html 从方校长论文看防火墙技术发展] |
| − | + | *[https://www.google.com/search?q={{PAGENAME}}+site%3Achinadigitaltimes.net%2Fchinese%2F 谷歌搜索：更多 CDT【{{PAGENAME}}】相关文章] | |
| − | + | *[https://chinadigitaltimes.net/chinese/tag/{{PAGENAME}}/ CDT 网站：【{{PAGENAME}}】相关文章索引] | |
| − | === 数字空间相关链接 | + | === 数字空间相关链接 === |
| + | <div style="column-count:3;-moz-column-count:3;-webkit-column-count:3"> | ||
{{ #dpl: linksto = {{FULLPAGENAME}} }} | {{ #dpl: linksto = {{FULLPAGENAME}} }} | ||
| + | * [https://www.google.com/search?q={{PAGENAME}}+site%3Achinadigitaltimes.net%2Fspace%2F 更多和【{{PAGENAME}}】相关词条] | ||
| + | * [https://chinadigitaltimes.net/space/Special:Random 漫游数字空间] | ||
| + | </div> | ||
| − | + | === 参考资料 === | |
| + | <references /> | ||
<!-- | <!-- | ||
############################################################################################# | ############################################################################################# | ||
| − | + | 上面是参考资料代码，如果没有“参考资料”，请删除。另外，在下面设置本页面的所属分类： | |
############################################################################################# | ############################################################################################# | ||
--> | --> | ||
| − | [[Category: | + | [[Category:数字威权主义]][[Category:人工智能]][[Category:监控技术]] |
2023年6月18日 (日) 21:39的最新版本
机器学习是人工智能的一个子集。这项技术的主要任务是指导计算机从数据中学习，然后利用经验来改善自身的性能，不需要进行明确的编程。在机器学习中，算法会不断进行训练，从大型数据集中发现模式和相关性，然后根据数据分析结果做出最佳决策和预测。机器学习应用具有自我演进能力，它们获得的数据越多，准确性会越高。机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。 [1]
机器学习的3种训练方法
1. 监督机器学习：监督机器学习算法最为常用。在该模型下，数据科学家扮演向导，告诉算法它应该得出什么结论。就像孩子通过在图画书中记住水果来学习识别水果一样，在监督学习中，算法是由已经标记并具有预定义输出的数据集进行训练的。监督机器学习的例子包括算法，如线性和逻辑回归，多类别分类和支持向量机。[2]
2.无监督机器学习：无监督机器学习相对而言更加独立，在该模式下，计算机会在无人类持续提供密切指导的前提下学习识别复杂的过程和模式。无监督机器学习包括根据没有标签的数据或特定的、定义好输出的数据进行训练。继续使用幼儿教学作类比，无监督机器学习类似于孩子通过观察颜色和图案来识别水果，而不是在老师的帮助下记住水果的名字。孩子（算法）会自己寻找图像之间的相似性，对图像分组，为每一个小组分配一个新标签。无监督机器学习的算法有 K 均值聚类、主成分和独立分量分析以及关联规则。[3]
3.强化学习：在监督学习模型中，我们事先输入了问题的答案，机器通过寻找所有正确结果之间的相关性进行学习。而在强化学习模型中，我们并没有事先提供问题的答案，只是提供了一组许可的动作、规则和可能的最终状态。如果算法的期望值是固定的或者二进制形式，那么机器可以通过示例进行学习。但如果期望值是可变的，那么系统必须通过经验和奖励进行学习。在强化学习模型中，“奖励”是数值形式，并且作为系统要收集的对象被编程到算法中。
这种模式很像教人如何下棋。显然，你不可能向对方展示每一步应该怎么走。相反，你会向他们解释规则，然后他们将通过练习来逐步掌握要领。奖励的形式不仅是获胜，还包括吃掉对手的棋子。强化学习的应用包括在线广告位买家自动竞价、电脑游戏开发和高风险股票市场交易等。 [4]
机器学习在生物识别技术中的应用
生物特征识别技术（Biometrics）是指利用人体与生俱来的生理特性和长年累月形成的行为特征来进行身份鉴定的一种识别技术。目前可用于身份识别的人体特征包括指纹、虹膜、面部、掌纹、静脉等生理特征和步态、笔迹、声音等行为特征。生物特征识别技术背后涉及到计算机科学、光学与声学等物理科学、生物科学、生物传感器和生物统计学原理，安全技术，以及人工智能技术等众多基础科学与创新应用技术，是一个完整的多学科技术解决方案。
近些年随着人工智能的发展，让生物特征识别技术变得更加成熟。目前，人脸识别技术是生物特征中最具代表性的。
人脸识别的流程包括人脸采集、人脸检测、人脸特征提取和人脸匹配识别，其中人脸识别过程采用了机器学习中的AdaBoos算法、卷积神经网络以及支持向量机等多种技术。目前传统人脸识别困难包括面部旋转，遮挡，相似性等都有了很大的算法提升，使得人脸识别的精准度得到极大的提高，以2D人脸、3D人脸、多光谱人脸等多种模态为代表，每种模态都具有不同的采集适应场景、数据安全程度和隐私敏感度等，而大数据的深度学习的加入，使3D人脸识别算法补充2D投影的缺陷，能快速识别人员身份，为二维人脸识别的应用带来了一定的突破。同时，目前基于活体检测技术正作为提高人脸识别安全性的关键性技术，可以有效抵御照片、视频、三维模型、假体面具等仿冒欺诈，自主判断操作用户身份。
其他广泛应用到机器学习的生物识别技术还包括步态识别、掌纹识别等。[5]
