返回 登录
0

【AI每日播报】朴素贝叶斯法、决策树、增强学习在无人驾驶中的应用

今日精选四篇CSDN优质博文,涉及到分类算法、无人驾驶、以及对机器学习未来的探讨。点击题目即可进入全文。


图片描述


机器学习入门之朴素贝叶斯法

朴素贝叶斯法是基于贝叶斯定理和特征条件独立假设分类方法。对于给定训练集,首先基于特征条件独立性的假设,学习输入/输出联合概率(计算出先验概率和条件概率,然后求出联合概率)。然后基于此模型,给定输入x,利用贝叶斯概率定理求出最大的后验概率作为输出y。朴素贝叶斯法实现简单,学习和预测效率都很高,是一种常用的分类方法。

增强学习在无人驾驶中的应用

本文为《程序员》原创文章,是无人驾驶技术系列的第六篇,着重介绍增强学习在无人驾驶中的应用。增强学习的目的是通过和环境交互,学习如何在相应观测中采取最优行为。相比传统的机器学习,它有以下优势:首先,由于不需要标注的过程,可以更有效地解决环境中存在的特殊情况。其次,可以把整个系统作为一个整体,从而对其中的一些模块更加鲁棒。最后,增强学习可以比较容易地学习到一系列行为。这些特性十分适用于自动驾驶决策过程,我们在本文深入探讨增强学习如何在无人驾驶决策过程中发挥作用。

分类算法——决策树之ID3算法

决策树算法是从数据的属性(或者特征)出发,以属性作为基础,划分不同的类。ID3算法是由Quinlan首先提出的,该算法是以信息论为基础,以信息熵和信息增益为衡量标准,从而实现对数据的归纳分类。本文分为决策树分类算法、ID3算法、划分数据的依据、以及实验仿真四个模块。

图灵奖50年,AI的发展与未来

今年是图灵奖设立50周年,谷歌大脑负责人Jeff Dean和CMU计算机科学与机器人学教授Raj Reddy在庆典上回答了关于目前人工智能发展的5个问题,包括AI实例、社会影响、道德问题等。


想要获得更多技术干货?关注CSDN人工智能公众号 AI_Thinker

图片描述

评论