机器学习

引入GA简介遗传算法（Geneic Algorithm, GA）是基于“物竞天择，适者生存”而提出的。它首先确定参数和优化目标，然后经历以下步骤来模拟这些参数的自然演化过程： 随机地生成一些答案，称之为种群（Populaition） 对他们进行评价 选择较好的，作为parents（父母） 使得父母重新组合（交叉） 使得他们的孩子产生一些变异，随机地选择一些参数替代原有 对他们产生的孩子进行评价 剔除掉太差的，重复步骤3-7 直到满足优化目标，“物竞天择，适者生存”的优化结束。 这整个步骤可以被简略概括为：选种-交叉-变异 基于GA的工作原理，以下方面都可以影响GA结果： Representation：对个体的表示，即，参数的选择（比如一个人，得有胳膊，有腿，有眼睛等等） Evaluation function (fitness function)：评价函数，用于“天择” Population: 种群 Parent Selection Machanism: 父母选择机制 Variation operators: 变异算子（包含交叉(crossover)和变异(mutation)） ...

引入在前面的ANN中，机器可以自己通过学习来找到“机器认为”的答案。 但是在现实世界中也有一群专家，他们解决问题靠的是“已有知识”，他们先学习并储备了一些知识库，在遇到对应问题的时候就调用对应的知识库。 将这种解决问题的方式在计算机中进行描述和调用，就是所谓模糊系统（Fuzzy System）。 但是专家在判断是什么问题时，通常接受的是模糊的描述。例如这个人非常高，那么你大可能觉得这个人在一米八往上接近一米九。说这个天很热按你大可能觉得现在有30度往上。这些描述都是基于人类语言的模糊描述，指明的是大概率的一个区间。同样地，在解决问题上，专家也是靠着不精确的输入，去猜测套用什么方法解决的可能性最大，然后去尝试。 但是这样就出现问题了，计算机使用的是布尔逻辑，即非黑即白的逻辑，它可以以180为一个界限，认为180以上的人算作高，180以下的人算作矮，但是如果有一个人有179,它其实也是算高的，但是会被传统的布尔逻辑和160判到一桌上去。 模糊逻辑，模糊集和隶属度模糊系统就是为了来解决这个问题的，它提出了“模糊逻辑（fuzzy logic）”的概念，在模糊逻辑下，事情不是非黑即白，而是具有一 ...

当时忙期末ANN部分笔记未整理，网站笔记不全，建议参考mirror。其余部分笔记完整。 引入Artificial Neural Network (ANN)是人工智能学科的分支，其由人类大脑结构仿生而来。其具有自我学习，适应新环境，从已有经验学习解决新问题的能力。 人类神经元与仿生神经元 人类神经元上，一个细胞可以通过轴突（Axon）发送信号给另一个细胞，另一个细胞使用树突(Dendrites) 接收并汇聚所有收到的信号后，进行处理。人类大脑中约有100亿个神经元，每个神经元有约1万个突触与其他神经元相连。（具体数据与解刨学有关，不一定准确）。 在人脑系统中，采用低频（约100Hz）并行计算的策略，这与高频但是核心数少的现代计算机有所差异。 人工神经元与人类神经元类似，它接受多个输入，且针对每个输入有一个权重值，将输入加权求和后，放入“激活函数”中，计算本神经元的输出，将其输出给下一神经元。 y_i=f(\sum_jw_{ij}y_j)其中这个激活函数是非线性的。为什么需要这个“激活函数”呢？因为早在信号与系统就学过，线性系统无法通过加减乘除变为非线性系统，因此一旦需要输出结果具有 ...