概念

机器学习是实现人工智能的一种途径，深度学习是机器学习的一个子集

传统机器学习方法：线性回归、逻辑回归、决策树、向量机、贝叶斯模型

机器学习算法

• 有监督学习

  通过训练数据学到或建立“函数”并依此推测新的实例

  • 训练数据：输入特征和输出目标（tag）

  • 典型算法：决策树、随机森林、逻辑回归

  • 使用场景：学习输入和输出的关系

  • 应用于标签数据易获取、维度关系复杂场景

    • 基于分类算法的精准用户营销、用户迁移
    • 图像识别

• 无监督学习

  通过无标签数据推断“函数”。用于描述数据中隐藏结构

  • 训练数据：用于引导学习算法

  • 使用场景：基于训练合集的数据特征，学习数据集上有用的结构性质

    • 概率分布、主成分分析

  • 应用于标签数据获取困难，需要寻找数据间关系场景

    • 基于聚类算法的业务质量异常检测
    • 基于关联规则挖掘的KQI&KPI相关性学习

• 强化学习

  与环境交互过程中通过学习策略函数已达成回报函数最大化

  • 训练数据：与环境交互的试探和回报
  • 典型算法：值迭代、策略迭代
  • 使用场景：利用试错的方法训练主体在复杂环境中进行决策的过程，主体在训练过程中的典型目标是需要最大化在环境中所获取的奖励信息，而这些奖励则与大量的参数相关
  • 应用于游戏AI、机器人学、空战博弈

深度学习

深度学习是一种主要使用深度神经网络为工具的机器学习算法。

深度学习源于人工神经网络的研究，通过组合低层特征形成更加抽象的高层来表示属性类别或特征，以发现数据的分布式特征表示。

广泛应用于计算机视觉、自然语言处理等领域。

算力单位

量级单位+每秒运算次数+数据类型

量级单位

10^3为量级

K-M-G-T-P-E

每秒运算次数

• OPS：每秒整数运算次数
• FLOPS：每秒浮点运算次数

数据类型

• INT8:8位整数型数据

  • 深度学习模型的推理运算

• FP16:16位浮点型数据

  • 深度学习模型的训练运算

• FP32:32位浮点型数据

  • 高性能计算