人工智慧模糊演算法

1. 人工智慧中的演算法有什麼

模糊數學、神經網路、小波變換、遺傳演算法、人工免疫系統、參數優化、粒子群演算法，等等，簡單應用，有高等數學知識即可。

2. 你認為人工智慧和計算智能有什麼區別嗎

人工智慧，它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學，而計算智能演算法主要包括神經計算、模糊計算和進化計算三大部分。

3. AI(人工智慧)在機械領域有哪些應用

1.機械領域的主要應用：1.1 機械設計 機械設計實際上是一個模型的綜合和分析的過程，它不僅包括大量的計算、分析、繪圖等數值計算型工作；還包括擬定初始方案，選擇最優方案，制定合理結構等方案設計工作。 目前， 有些企業已引入CAD/CAM 系統， 由於CAD/CAM系統對符號推理工作需要綜合運用多種科學的專門知識和豐富的實踐經驗才能解決，這需要CAD/CAM系統具有智能性，因此，設計智能化已成為機械設計中一個很熱門的研究課題之一，它把計算機從數值處理擴展到非數值處理，包括知識與經驗的集成、推理和決策，力圖使機械設計過程自動化，減少人類專家在設計過程中由於個人因素造成的不足。此外，與傳統設計方法相比，專家系統在機械設計中有著不可比擬的優勢，它不僅可以長期穩定工作、節省成本，還可以為專家知識特別是啟發式知識提供存儲手段和傳授途徑、易於繼承。1.2 機械製造 在機械生產製造過程中，需要為工廠中所有的裝配機器供應零件。目標可能由監控者提供，也可能由系統對當時狀態做出評估而產生。智能系統怎樣推斷出適當的目標，然後構造試圖達到目標的動作序列，這個過程通常稱為規劃(planning), 它是自動問題求解的特例，是人工智慧研究的重要子領域。 此外，計算機集成加工系統（CIMS）和柔性加工系統（FMS）在近年來獲得迅速發展。在一個復雜的加工過程中，不同條件下的多種操作是必要的。環境的不確定性以及系統軟硬體的復雜性，向當代工程師們設計和實現有效的集成控制系統提出了挑戰。為了把現有的Petri 網技術用於現代加工系統，需要開發一種新技術，把機器智能技術和Petri 網理論以及智能離散事件控制器連接起來。1.3 機械電子工程 在許多工程系統中，往往由於內部結構復雜，存在著對加工過程式控制制及故障診斷等方面的困難，一般的PID 等典型控制方法雖然能解決一些問題，但在一些場合已不能滿足生產的要求，當前，典型的機電一體化產品- 數控機床、交流伺服驅動裝置等正在向數字化、小型化、高精度等方向發展，為監控帶來新的挑戰，由於模糊神經網路控制不依賴控制對象和數學模型，具有較強的魯棒性，是一種非線性的控制方法，在解決此類問題中有很好的優勢。而專家系統主要用於復雜的機械繫統，能夠克服基於模型的故障診斷方法對模型的過分依賴性。1.4 機械繫統故障診斷 對機械設備進行故障診斷主要是通過對設備敏感部位的信號利用感測器進行數據採集和特徵提取，根據不同機械部件在不同時間和狀態下具有不同的特徵，來判斷是否工作正常。它包含兩方面的內容，即對系統運行狀態進行監測和發現異常情況後對故障進行分析、診斷。在系統運行過程中，若某一時刻系統發生故障，領域專家可以憑借視覺、聽覺、嗅覺、觸覺或測量設備得到一些客觀數據，並根據對系統結構和系統故障歷史的深刻了解很快做出判斷，確定故障的原因和部位。對於較為復雜的系統，這種基於專家系統的故障診斷方法尤為有效。2 人工智慧在機械繫統中的應用方法 應用機械繫統的AI 技術傳統上可以分為專家系統（ES）、人工神經網路(ANN)、模糊集理論(FST)和啟發式搜索(GA)四類。2.1 專家系統（Expert System .ES） 專家系統是人工智慧的主要分支之一。一個典型的專家系統由四部分組成：知識庫、推理機、知識獲取機制和人機界面。專家系統按其知識表達方式不同，可分為基於規則和基於框架的專家系統；按其推理方式不同可分為正向推理和逆向推理。在知識表達方面，利用產生式規則進行知識表達，一方面得有益於現有人工智慧語言，另一方面，它的表達合乎人的心理邏輯，便於進行知識獲取，利於人們接受，利用框架進行知識表達得到了越來越多的應用。在診斷推理方面，主要表現在對推理邏輯和推理模型的研究，在人工智慧領域，存在著許多推理邏輯，在專家系統中廣泛使用模糊推理邏輯降低系統復雜性，在機械繫統故障診斷上能產生很好的效果。專家系統技術的研究和應用正以前所未有的速度在故障診斷、模擬模擬、自動控制、工藝編程、生產規劃、產品設計等許多機械工程領域不斷發展。隨著研究工作的不斷深入，一些新的技術方法和先進製造技術正融入機械工程專家系統技術的研究和應用中，不僅使知識表示、知識庫構建、知識獲取和推理模式等關鍵技術的研究取得了一定成果，還出現了一些集成式的新型專家系統，如神經網路專家系統、模糊專家系統、基於Internet 的專家系統、CAD 專家系統、CAPP 專家系統等。他們綜合利用了專家系統啟發性、透明性、靈活性以及具有處理不確定知識能力的特點，使機械工程專家系統的應用領域不斷拓寬。2.2 人工神經網路（artificial neural network. ANN） 人工神經網路是模擬的生物激勵系統，將一系列輸入通過神經網路產生輸出。這里輸出、輸入都是標准化的量，輸出是輸入的非線性函數，其值可由連接各神經元的權重改變，以獲得期望的輸出值，即所謂的訓練過程。基於數值計算方法的神經網路，將已有數據和已知系統模式作樣本，通過學習獲得兩者的映射關系，實現了對人類經驗思維的模擬。 由於神經網路具有原則上容錯、結構拓撲魯棒、聯想、推測、記憶、自適應、自學習、並行和處理復雜模式的功能，使其在工程實際存在著大量的多故障、多過程、突發性故障、龐大復雜機器和系統的監測及診斷中發揮著較大作用。 在機械繫統的應用方式有：從模式識別角度應用神經網路作為分類器進行故障診斷；從預測角度應用神經網路作為動態預測模型進行故障預測；利用神經網路極強的非線性動態跟蹤能力進行基於結構映射的故障診斷；從知識處理角度建立基於神經網路的診斷專家系統等。目前，為提高神經網路在實用中的學習和診斷性能，主要從神經網路模型本身改進和模塊化模型診斷策略兩方面開展研究；同時，與模糊邏輯的結合研究也是一個研究熱點。2.3 模糊集理論（Fuzzy Sets Theory. FSN） 人的認知世界包含大量的不確定之時，需要對所獲信息進行一定的模糊化處理，以減少問題的復雜度。1965 年Zadeh 創立的模糊集理論是處理不確定性的一種很好的方法。模糊邏輯可認為是多值邏輯的擴展，能夠完成傳統數學方法難以做到的近似推理。目前基於多類電量測試信息模糊融合的模擬電路故障診斷方法已經提出。基於K故障節點診斷法和最小標准差法的元件故障隸屬函數構造方法,以及基於可測點電壓與不同測試頻率下電路增益的模糊信息融合診斷演算法也已闡述。分別利用此兩類測試信息及K 故障診斷法和最小標准差法,對電路進行初步診斷,再運用模糊變換及故障定位規則, 得到融合的故障診斷結果。模擬實驗結果表明,所提方法大大提高了機械繫統故障定位的准確率。2.4 啟發式搜索（Heuristic Search. HS） 遺傳演算法（Genetic Algorithms ,GA）和模擬退火（Simulated Annealing ,SA）演算法是近年來逐漸興起的兩種啟發式搜索，通過隨機產生新的解並保留其中較好的結果，並避免陷入局部最小，以求得全局最優解或近似最優解。GA是由數字串的集合表示優化問題的解，通過遺傳運算元，即選擇、雜交和變異的操作對數字串尋優。SA 在已知解的鄰近區產生新的解，並逐漸縮小鄰近區域的大小，直到逼近全局的最優解。兩種方法都可以用來求解任意目標函數和約束的最優化問題。 在交流伺服系統中採用遺傳演算法的模糊神經網路控制較之傳統的PID 控制方式具有響應速度快、誤差小、無震盪、伺服性能強等優點，模擬結果表明，將遺傳演算法融入模糊神經網路控制器來控制交流伺服系統，其系統的響應超調量明顯減少，具有較好的抗干擾性、伺服性。3 人工智慧在機械繫統中的發展趨勢 人工智慧中的四種主要工具， 即ES、ANN、FST 和GA，雖然在機械領域有不同程度的應用，但各自都存在一些局限：ES 存在知識獲取的「瓶頸」、知識難以維護、應用面窄、診斷能力弱等問題。ANN 在外推時誤差較大、系統結構變化時ANN 的組成結構也要變化、難以實現基於結構化知識的邏輯推理、缺乏解釋能力等。FST 存在可維護性問題。GA 在依據的信息發生畸變時，難以保證可靠性等。 目前，缺少一種普遍有效的方法應用於機械繫統的各個領域。混合智能，即綜合多種智能技術用以設計、控制、監測機械繫統成為新的發展趨勢。結合的方式主要有基於規則的專家系統與神經網路相結合，CBR 與基於規則系統和神經網路的結合，模糊邏輯、神經網路與專家系統的結合等。其中模糊邏輯、神經網路與專家系統結合的診斷模型是最具發展前景的，也是目前人工智慧領域的研究熱點之一。混合智能在機械繫統的應用中有如下發展趨勢：由基於規則的系統到混合模型的系統，由領域專家提供知識到機器學習、由非實時診斷到實時診斷、由單一推理控制到混合推理控制策略等。4 人工智慧在機械繫統中的應用實例 智能技術在機械領域已經有了許多成功的應用。在工程中，典型的專家系統有幫助工程師發現結構分析問題的分析策略的SACON 系統；幫助識別和排除機車故障的DELTA 系統；幫助操作人員檢測和處理核反應堆事故的REACTOR 系統。 在故障診斷方面,1967 年在美國航天局（NASA）倡導下，由美國海軍研究室（ONR）主持美國機械故障預防小組（MFPG），積極從事故障診斷技術研究和開發。目前各種類型的故障診斷和維修專家系統已用於美國F- 15 戰斗機、B- 1B 轟炸機、海軍艦艇、陸軍軍械裝置等現役裝備的故障診斷和維修中。在我國，華中理工大學研製了用於汽輪機組工況監測和故障診斷的智能系統DEST；哈爾濱工業大學和上海發電設備成套設計研究所聯合研製了汽輪發電機組故障診斷專家系統MMMD- ；清華大學研製了用於鍋爐設備故障診斷的專家系統等等。 在電路和數字電子設備方面，MIT 研製用於模擬電路操作並演繹出故障可能原因的EI 系統；美國海軍人工智慧中心開發了用於診斷電子設備故障的IN- ATE 系統;波音航空公司研製了診斷微波模擬介面MSI 的IMA 系統；義大利米蘭工業大學研製用於汽車啟動器電路故障診斷的系統。 2006 年初，上海交通大學機電控制研究所、上海市農業機械研究所成功研製了適用於我國數字農業特點的兩種主要智能型農業機械：中、小型收割機智能測產系統及其配套軟體；智能變數施肥、播種機及其配套軟體。雖然相關的應用實例還有很多，但它們大都處於實驗室或小范圍試驗狀態，限於成本、技術等問題，不能得到普及應用，這將成為智能技術在機械領域應用的「瓶頸」。引用： http://teardown.eefocus.com/xuweitao/blog/08-01/141923_aa9c4.html

4. 人工智慧與計算智能的區別

是有一定區別的。
1、計算智能（Computational Intelligence，CI）是藉助自然界（生物界）規律的啟示，根據其規律，設計出求解問題的演算法。物理學、化學、數學、生物學、心理學、生理學、神經科學和計算機科學等學科的現象與規律都可能成為計算智能演算法的基礎和思想來源。從關繫上說，計算智能屬於人工智慧（Artificial Intelligence，AI）的一個分支。
2、計算智能演算法主要包括神經計算、模糊計算和進化計算三大部分。如圖1.4所示，典型的計算智能演算法包括神經計算中的人工神經網路演算法，模糊計算中的模糊邏輯，進化計算中的遺傳演算法、蟻群優化演算法、粒子群優化演算法、免疫演算法、分布估計演算法、Memetic演算法，和單點搜索技術例如模擬退火演算法、禁忌搜索演算法，等等。
3、以上這些計算智能演算法都有一個共同的特徵就是通過模仿人類智能的某一個（某一些）方面而達到模擬人類智能，實現將生物智慧、自然界的規律計算機程序化，設計最優化演算法的目的。然而計算智能的這些不同研究領域各有其特點，雖然它們具有模仿人類和其他生物智能的共同點，但是在具體方法上存在一些不同點。例如：人工神經網路 模仿人腦的生理構造和信息處理的過程，模擬人類的智慧；模糊邏輯（模糊系統） 模仿人類語言和思維中的模糊性概念，模擬人類的智慧；進化計算 模仿生物進化過程和群體智能過程，模擬大自然的智慧。
4、然而在現階段，計算智能的發展也面臨嚴峻的挑戰，其中一個重要原因就是計算智能目前還缺乏堅實的數學基礎，還不能像物理、化學、天文等學科那樣自如地運用數學工具解決各自的計算問題。雖然神經網路具有比較完善的理論基礎，但是像進化計算等重要的計算智能技術還沒有完善的數學基礎。計算智能演算法的穩定性和收斂性的分析與證明還處於研究階段。通過數值實驗方法和具體應用手段檢驗計算智能演算法的有效性和高效性是研究計算智能演算法的重要方法。

5. 人工智慧方面有哪些演算法

模式識別需要非常好的概率論，數理統計；另外會用到少量矩陣代數，隨機過程和高數中的一些運算，當然是比較基礎的；如果要深入的話恐怕需要學泛函，但是一般情況下不需要達到這種深度。神經網路，遺傳演算法等智能演算法在模式識別有非常重要的應用，但是一般不需要學習計算機學科的人工智慧，我們控制有一個交叉學科叫做智能控制是講這些的，智能控制不需要什麼基礎，有中學數學的集合和對空間有一點點的了解就足夠了，模糊數學的基礎是包含在這門學科里的。

6. 目前前沿的人工智慧演算法是什麼（除了遺傳演算法，神經網路等）

人工免疫系統、序列參數優化、進化多目標、粒子群優化、模糊規則等等都有吧~一個方向就夠做的了~~

7. 人工智慧

人工智慧主要研究用人工的方法和技術，模仿、延伸和擴展人的智能,實現機器智能。有人把人工智慧分成兩大類：一類是符號智能，一類是計算智能。符號智能是以知識為基礎，通過推理進行問題求解。也即所謂的傳統人工智慧。計算智能是以數據為基礎，通過訓練建立聯系，進行問題求解。人工神經網路、遺傳演算法、模糊系統、進化程序設計、人工生命等都可以包括在計算智能。
傳統人工智慧主要運用知識進行問題求解。從實用觀點看，人工智慧是一門知識工程學：以知識為對象，研究知識的表示方法、知識的運用和知識獲取。

人工智慧從1956年提出以來取得了很大的進展和成功。1976年Newell 和Simon提出了物理符號系統假設，認為物理符號系統是表現智能行為必要和充分的條件。這樣，可以把任何信息加工系統看成是一個具體的物理系統，如人的神經系統、計算機的構造系統等。80年代Newell 等又致力於SOAR系統的研究。SOAR系統是以知識塊(Chunking)理論為基礎，利用基於規則的記憶，獲取搜索控制知識和操作符，實現通用問題求解。Minsky從心理學的研究出發，認為人們在他們日常的認識活動中，使用了大批從以前的經驗中獲取並經過整理的知識。該知識是以一種類似框架的結構記存在人腦中。因此，在70年代他提出了框架知識表示方法。到80年代，Minsky認為人的智能，根本不存在統一的理論。1985年，他發表了一本著名的書《Society of Mind(思維社會)》。書中指出思維社會是由大量具有某種思維能力的單元組成的復雜社會。以McCarthy和Nilsson等為代表，主張用邏輯來研究人工智慧，即用形式化的方法描述客觀世界。邏輯學派在人工智慧研究中，強調的是概念化知識表示、模型論語義、演繹推理等。 McCarthy主張任何事物都可以用統一的邏輯框架來表示，在常識推理中以非單調邏輯為中心。傳統的人工智慧研究思路是「自上而下」式的，它的目標是讓機器模仿人，認為人腦的思維活動可以通過一些公式和規則來定義，因此希望通過把人類的思維方式翻譯成程序語言輸入機器，來使機器有朝一日產生像人類一樣的思維能力。這一理論指導了早期人工智慧的研究。

近年來神經生理學和腦科學的研究成果表明，腦的感知部分，包括視覺、聽覺、運動等腦皮層區不僅具有輸入/輸出通道的功能，而且具有直接參與思維的功能。智能不僅是運用知識，通過推理解決問題，智能也處於感知通道。

1990年史忠植提出了人類思維的層次模型，表明人類思維有感知思維、形象思維、抽象思維，並構成層次關系。感知思維是簡單的思維形態，它通過人的眼、耳、鼻、舌、身感知器官產生表象，形成初級的思維。感知思維中知覺的表達是關鍵。形象思維主要是用典型化的方法進行概括，並用形象材料來思維，可以高度並行處理。抽象思維以物理符號系統為理論基礎，用語言表述抽象的概念。由於注意的作用，使其處理基本上是串列的。

8. 人工智慧及其應用的內容簡介

本書共12章。第1章敘述人工智慧的概況，列舉出人工智慧的研究與應用領域。第2章和第3章研究傳統人工智慧的知識表示方法、搜索技術和高級知識推理。第4章闡述了計算智能的基本知識，包括神經計算、模糊計算、粗糙集理論、進化計算、人工生命、群智能、自然計算和免疫演算法諸多內容。第5章到第11章詳細討論了人工智慧的主要應用，包括專家系統、機器學生、自動規劃、艾真體（Agent)、機器視覺、自然語言理解和智能控制等。第12章評述近年來關於人工智慧的爭論，討論了人工智慧對人類經濟、社會和文化的影響，展望人工智慧與艾真體、計算智能、進化計算、群智能優化、自然計算、免疫計算以及知識發現和數據挖掘等。其他章節也在第二版的基礎上做了相應的修改、精簡或補充。
本書可作為高等院校有關專業研究生的人工智慧課程教材，也可供從事人工智慧研究與應用的科技工作者學習參考。本科生教材請使用本書的姊妹篇「本科生用書」

9. 人工智慧演算法簡介

人工智慧的三大基石—演算法、數據和計算能力，演算法作為其中之一，是非常重要的，那麼人工智慧都會涉及哪些演算法呢？不同演算法適用於哪些場景呢？

一、按照模型訓練方式不同可以分為監督學習（Supervised Learning），無監督學習（Unsupervised Learning）、半監督學習（Semi-supervised Learning）和強化學習（Reinforcement Learning）四大類。

常見的監督學習演算法包含以下幾類：
（1）人工神經網路（Artificial Neural Network）類：反向傳播（Backpropagation）、波爾茲曼機（Boltzmann Machine）、卷積神經網路（Convolutional Neural Network）、Hopfield網路（hopfield Network）、多層感知器（Multilyer Perceptron）、徑向基函數網路（Radial Basis Function Network，RBFN）、受限波爾茲曼機（Restricted Boltzmann Machine）、回歸神經網路（Recurrent Neural Network，RNN）、自組織映射（Self-organizing Map，SOM）、尖峰神經網路（Spiking Neural Network）等。
（2）貝葉斯類（Bayesin）：樸素貝葉斯（Naive Bayes）、高斯貝葉斯（Gaussian Naive Bayes）、多項樸素貝葉斯（Multinomial Naive Bayes）、平均-依賴性評估（Averaged One-Dependence Estimators，AODE）
貝葉斯信念網路（Bayesian Belief Network，BBN）、貝葉斯網路（Bayesian Network，BN）等。
（3）決策樹（Decision Tree）類：分類和回歸樹（Classification and Regression Tree，CART）、迭代Dichotomiser3（Iterative Dichotomiser 3， ID3）,C4.5演算法（C4.5 Algorithm）、C5.0演算法（C5.0 Algorithm）、卡方自動交互檢測（Chi-squared Automatic Interaction Detection，CHAID）、決策殘端（Decision Stump）、ID3演算法（ID3 Algorithm）、隨機森林（Random Forest）、SLIQ（Supervised Learning in Quest）等。
（4）線性分類器（Linear Classifier）類：Fisher的線性判別（Fisher』s Linear Discriminant）
線性回歸（Linear Regression）、邏輯回歸（Logistic Regression）、多項邏輯回歸（Multionmial Logistic Regression）、樸素貝葉斯分類器（Naive Bayes Classifier）、感知（Perception）、支持向量機（Support Vector Machine）等。

常見的無監督學習類演算法包括：
（1） 人工神經網路（Artificial Neural Network）類：生成對抗網路（Generative Adversarial Networks，GAN），前饋神經網路（Feedforward Neural Network）、邏輯學習機（Logic Learning Machine）、自組織映射（Self-organizing Map）等。
（2） 關聯規則學習（Association Rule Learning）類：先驗演算法（Apriori Algorithm）、Eclat演算法（Eclat Algorithm）、FP-Growth演算法等。
（3）分層聚類演算法（Hierarchical Clustering）：單連鎖聚類（Single-linkage Clustering），概念聚類（Conceptual Clustering）等。
（4）聚類分析（Cluster analysis）：BIRCH演算法、DBSCAN演算法，期望最大化（Expectation-maximization，EM）、模糊聚類（Fuzzy Clustering）、K-means演算法、K均值聚類（K-means Clustering）、K-medians聚類、均值漂移演算法（Mean-shift）、OPTICS演算法等。
（5）異常檢測（Anomaly detection）類：K最鄰近（K-nearest Neighbor，KNN）演算法，局部異常因子演算法（Local Outlier Factor，LOF）等。

常見的半監督學習類演算法包含：生成模型（Generative Models）、低密度分離（Low-density Separation）、基於圖形的方法（Graph-based Methods）、聯合訓練（Co-training）等。

常見的強化學習類演算法包含：Q學習（Q-learning）、狀態-行動-獎勵-狀態-行動（State-Action-Reward-State-Action，SARSA）、DQN（Deep Q Network）、策略梯度演算法（Policy Gradients）、基於模型強化學習（Model Based RL）、時序差分學習（Temporal Different Learning）等。

常見的深度學習類演算法包含：深度信念網路（Deep Belief Machines）、深度卷積神經網路（Deep Convolutional Neural Networks）、深度遞歸神經網路（Deep Recurrent Neural Network）、分層時間記憶（Hierarchical Temporal Memory，HTM）、深度波爾茲曼機（Deep Boltzmann Machine，DBM）、棧式自動編碼器（Stacked Autoencoder）、生成對抗網路（Generative Adversarial Networks）等。

二、按照解決任務的不同來分類，粗略可以分為二分類演算法（Two-class Classification）、多分類演算法（Multi-class Classification）、回歸演算法（Regression）、聚類演算法（Clustering）和異常檢測（Anomaly Detection）五種。
1.二分類（Two-class Classification）
（1）二分類支持向量機（Two-class SVM）：適用於數據特徵較多、線性模型的場景。
（2）二分類平均感知器（Two-class Average Perceptron）：適用於訓練時間短、線性模型的場景。
（3）二分類邏輯回歸（Two-class Logistic Regression）：適用於訓練時間短、線性模型的場景。
（4）二分類貝葉斯點機（Two-class Bayes Point Machine）：適用於訓練時間短、線性模型的場景。（5）二分類決策森林（Two-class Decision Forest）：適用於訓練時間短、精準的場景。
（6）二分類提升決策樹（Two-class Boosted Decision Tree）：適用於訓練時間短、精準度高、內存佔用量大的場景
（7）二分類決策叢林（Two-class Decision Jungle）：適用於訓練時間短、精確度高、內存佔用量小的場景。
（8）二分類局部深度支持向量機（Two-class Locally Deep SVM）：適用於數據特徵較多的場景。
（9）二分類神經網路（Two-class Neural Network）：適用於精準度高、訓練時間較長的場景。

解決多分類問題通常適用三種解決方案：第一種，從數據集和適用方法入手，利用二分類器解決多分類問題；第二種，直接使用具備多分類能力的多分類器；第三種，將二分類器改進成為多分類器今兒解決多分類問題。
常用的演算法：
（1）多分類邏輯回歸（Multiclass Logistic Regression）：適用訓練時間短、線性模型的場景。
（2）多分類神經網路（Multiclass Neural Network）：適用於精準度高、訓練時間較長的場景。
（3）多分類決策森林（Multiclass Decision Forest）：適用於精準度高，訓練時間短的場景。
（4）多分類決策叢林（Multiclass Decision Jungle）：適用於精準度高，內存佔用較小的場景。
（5）「一對多」多分類（One-vs-all Multiclass）：取決於二分類器效果。

回歸
回歸問題通常被用來預測具體的數值而非分類。除了返回的結果不同，其他方法與分類問題類似。我們將定量輸出，或者連續變數預測稱為回歸；將定性輸出，或者離散變數預測稱為分類。長巾的演算法有：
（1）排序回歸（Ordinal Regression）：適用於對數據進行分類排序的場景。
（2）泊松回歸（Poission Regression）：適用於預測事件次數的場景。
（3）快速森林分位數回歸（Fast Forest Quantile Regression）：適用於預測分布的場景。
（4）線性回歸（Linear Regression）：適用於訓練時間短、線性模型的場景。
（5）貝葉斯線性回歸（Bayesian Linear Regression）：適用於線性模型，訓練數據量較少的場景。
（6）神經網路回歸（Neural Network Regression）：適用於精準度高、訓練時間較長的場景。
（7）決策森林回歸（Decision Forest Regression）：適用於精準度高、訓練時間短的場景。
（8）提升決策樹回歸（Boosted Decision Tree Regression）：適用於精確度高、訓練時間短、內存佔用較大的場景。

聚類
聚類的目標是發現數據的潛在規律和結構。聚類通常被用做描述和衡量不同數據源間的相似性，並把數據源分類到不同的簇中。
（1）層次聚類（Hierarchical Clustering）：適用於訓練時間短、大數據量的場景。
（2）K-means演算法：適用於精準度高、訓練時間短的場景。
（3）模糊聚類FCM演算法（Fuzzy C-means，FCM）：適用於精確度高、訓練時間短的場景。
（4）SOM神經網路（Self-organizing Feature Map，SOM）：適用於運行時間較長的場景。
異常檢測
異常檢測是指對數據中存在的不正常或非典型的分體進行檢測和標志，有時也稱為偏差檢測。
異常檢測看起來和監督學習問題非常相似，都是分類問題。都是對樣本的標簽進行預測和判斷，但是實際上兩者的區別非常大，因為異常檢測中的正樣本（異常點）非常小。常用的演算法有：
（1）一分類支持向量機（One-class SVM）：適用於數據特徵較多的場景。
（2）基於PCA的異常檢測（PCA-based Anomaly Detection）：適用於訓練時間短的場景。

常見的遷移學習類演算法包含：歸納式遷移學習（Inctive Transfer Learning） 、直推式遷移學習（Transctive Transfer Learning）、無監督式遷移學習（Unsupervised Transfer Learning）、傳遞式遷移學習（Transitive Transfer Learning）等。

演算法的適用場景：
需要考慮的因素有：
（1）數據量的大小、數據質量和數據本身的特點
（2）機器學習要解決的具體業務場景中問題的本質是什麼？
（3）可以接受的計算時間是什麼？
（4）演算法精度要求有多高？
————————————————

原文鏈接： https://blog.csdn.net/nfzhlk/article/details/82725769

10. 人工智慧是智能演算法的實現,其核心內容在於什麼

人工智慧是計算機學科的一個分支，二十世紀七十年代以來被稱為世界三大尖端技術之一（空間技術、能源技術、人工智慧）。也被認為是二十一世紀三大尖端技術（基因工程、納米科學、人工智慧）之一。這是因為近三十年來它獲得了迅速的發展，在很多學科領域都獲得了廣泛應用，並取得了豐碩的成果，人工智慧已逐步成為一個獨立的分支，無論在理論和實踐上都已自成一個系統。
人工智慧是研究使計算機來模擬人的某些思維過程和智能行為（如學習、推理、思考、規劃等）的學科，主要包括計算機實現智能的原理、製造類似於人腦智能的計算機，使計算機能實現更高層次的應用。人工智慧將涉及到計算機科學、心理學、哲學和語言學等學科。可以說幾乎是自然科學和社會科學的所有學科，其范圍已遠遠超出了計算機科學的范疇，人工智慧與思維科學的關系是實踐和理論的關系，人工智慧是處於思維科學的技術應用層次，是它的一個應用分支。從思維觀點看，人工智慧不僅限於邏輯思維，要考慮形象思維、靈感思維才能促進人工智慧的突破性的發展，數學常被認為是多種學科的基礎科學，數學也進入語言、思維領域，人工智慧學科也必須借用數學工具，數學不僅在標准邏輯、模糊數學等范圍發揮作用，數學進入人工智慧學科，它們將互相促進而更快地發展。