第 34 集：机器学习与人工智能

01:23 分类 Classification
01:25 分类器 Classifier
01:34 特征 Feature
02:03 标记数据 Labeled data
02:38 决策边界 Decision boundaries
03:00 混淆矩阵 Confusion matrix
03:39 未标签数据 Unlabeled data
03:49 决策树 Decision tree
04:25 支持向量机 Support Vector Machines
05:52 人工神经网络 Artificial Neural Network
08:34 深度学习 Deep learning
09:21 弱AI, 窄AI Weak AI, Narrow AI
09:43 强AI Strong AI
10:42 强化学习 Reinforcement Learning

分类器：做分类的算法叫做分类器。“特征”是用来帮助“分类”的值。

标记数据不仅要记录特征值，还要记录种类

机器学习算法的目的：是最大化正确分类+最小化错误分类

决策树：生成决策树的机器学习算法

多个决策树组成的算法叫“决策森林”

 

支持向量机：本质上是用任意线段来切分“决策空间”，而且线段不一定是直线，可以是多项式或其他数学函数

 

人工神经网络：“决策树” 和 “支持向量机”这样的技术发源自统计学。但也有不用统计学的算法，比如人工神经网络

神经元常见处理流程：加权、求和、偏置(加或减一个固定值)、激活函数

激活函数，也叫传递函数。应用与输出，对结果执行最后一次数学修改

做神经网络时，这些偏差和权重，一开始会设计成随机值，然后将最后算出的结果跟样本数据进行对比，不断调整和【训练】，直到获得 让结果最接近真实数据的 偏差值和权重值。

输入层：主要用于样本数据输入

隐藏层：可以有很多层，用于对数据进行加权、求和等各种处理

输出层：输出最后处理的结果

 

弱AI：只能做特定任务

强AI：像人一样聪明的AI

强化学习：通过反复试错，自己发现成功的策略

 

人工智能的处理逻辑：(个人总结的认识，仅供参考)
1.有庞大的样本数据(正确性，真实性)
2.根据推测的关联因素作为数据【特征】
3.然后利用神经网络算法得出的结果，与样本数据进行对比。得到最优算法的各种值(如某个特征的权重)
4.然后输入真实的数据，根据最优算法进行事实的提前预测

 

 

---

第 35 集：计算机视觉

02:41 检测垂直边缘的算法
03:26 核/过滤器 kernel or filter
03:56 卷积 convolution
04:23 Prewitt 算子 Prewitt Operators
05:34 维奥拉·琼斯 人脸检测 Viola-Jones Face Detection
05:35 卷积神经网络 Convolutional Neural Networks
07:33 识别出脸之后，可以进一步用其他算法定位面部标志，如眼睛和眉毛具体位置，从而判断心情等信息
08:52 跟踪全身的标记点，如肩部，手臂等

RGB：三原色

颜色跟踪算法—最简单的计算机视觉算法：跟踪一个颜色物体，比如一个白色的球。

1.颜色跟踪算法是一个个像素搜索，因为颜色是在一个像素里。 首先记下球的颜色，保存最中心像素的RGB值。然后让程序在图像中找最接近这个颜色的像素。可以在视频的每一帧图片跑这个算法，跟踪球的位置。 

卷积算法：核  、  2个边缘增强的核

卷积神经网络：

 

---

第 36 集：自然语言处理

01:50 词性 Parts of speech
02:15 短语结构规则 Phrase structure rules
02:32 分析树 Parse tree
05:30 语音识别 Speech recognition
07:26 谱图 Spectrogram
07:44 快速傅立叶变换 Fast Fourier Transform
08:42 音素 Phonemes
09:29 语音合成 Speech Synthesis

NLP 自然语言处理(Natural Language Processing)

快速傅利叶变换(FFT)：一种将声音的波形转换成频率图形的算法

语音识别：声音频率的”共振峰“特征—音素识别—组成单词—识别句首和句尾—语言模型修正口音和发音错误—转换成文字

语音合成技术：人机交互，正向反馈