34. 机器学习&人工智能-Machine Learning & Artificial Intelligence_BiliBili_哔哩哔哩_bilibili
1. 简介
在第 34 集中，视频主要介绍了机器学习和人工智能。这些技术让计算机能够不只是存储和处理数据，还能根据数据进行预测和决策。虽然这些技术尚不足以被描述为真正的智能，但它们已经在处理各种复杂任务中展示出了强大的能力。
2. 机器学习的基础
2.1 分类和分类器
机器学习的一个基本任务是做“分类”，而负责分类的算法被称为“分类器”。分类器可以根据特征（如飞蛾的“翼展”和“重量”）来判断某个对象属于哪个类别。
2.2 决策边界
分类器通过决策边界将数据区分开来。决策边界可以简单地用线来表示，也可以变得非常复杂，甚至在高维空间中形成超平面。
2.3 混淆矩阵
显示分类器正确与错误分类的数据被称为“混淆矩阵”，这表可以帮助了解分类性能。
3. 高级机器学习技术
3.1 决策树和森林
“决策树”是一种将决策空间划分成多个盒子的方式，而多个决策树结合在一起被称为“森林”。
3.2 支持向量机
支持向量机通过划分决策空间的任意线（甚至是曲线）来优化分类边界。
3.3 特征和高维空间
机器学习算法可以处理多个特征，并在高维空间中找到最佳的决策边界，这对人类来说是非常复杂的问题，但计算机可以轻松解决。
4. 神经网络
4.1 人工神经网络的基础
神经网络受到生物神经元的启发，由多个层级组成。每个神经元接受输入，经过加权和偏值处理后发出输出信号。
4.2 从简单实例到深度学习
以识别飞蛾为例，神经网络可以使用输入层（特征），隐藏层（处理输入）和输出层（分类结果）来完成任务。随着层数的增加，形成的神经网络就是“深度学习”。
4.3 神经网络的训练
神经网络通过调整权重和偏值，使用标记数据进行训练，并在多次迭代中逐渐提高准确率。
5. 机器学习和 AI 的未来
5.1 弱 AI 与强 AI
目前的 AI 大多是“弱 AI”或“窄 AI”，只擅长特定任务。真正通用的“强 AI”尚未实现，但数字化知识的爆炸增长或许可以为其提供燃料。
5.2 强化学习
强化学习让 AI 通过反复试验得以改进，类似于人类的学习过程，并且在特定领域已经有广泛应用。
6. 总结
- 机器学习通过决策边界和分类器实现数据的分类。
- 高级技术包括决策树、支持向量机和神经网络。
- 神经网络的训练过程类似于人类的学习，通过多次迭代提高准确率。
- AI 目前多为“弱 AI”，但未来有可能发展为“强 AI”。
- 强化学习是机器学习中一个强大的方法，已经展示出巨大的潜力。
