数据中规律学习——人工智能算法

首先我们来看⼀下最常⻅的⼈⼯智能算法是什么样的：

人工智能算法在数据中规律学习

⼈⼯智能算法包括⼏个部分： x是模型的输⼊，y是模型的输出，模型就是对输⼊转化为输出的计算。⽐如输⼊x可以是⼀张图⽚（如 猫的照⽚），模型对图⽚进⾏计算处理，然后输出这张图⽚上对应的物品的类别（猫）。 我们可以把算法理解成⼀个函数：y = f(x)，这⾥⾯输⼊是x，输出是y，模型对应的是映射规则f。 对于⼀个具体的问题，我们可以获取到⼤量的（x，y），⼈⼯智能算法就是从这些数据中学习规律，找 到映射规则f。所以，⼈⼯智能算法学习规律就是确定x到y的映射规则f 为了让⼤家能理解⼈⼯智能算法的学习过程，我们⼀起来看⼀个简单的例⼦： 下⾯是某个⼩区的房价和房屋⾯积的数据。

人工智能算法在数据中规律学习

现在要利⽤⼈⼯智能的算法去学习房屋⾯积和房屋价格的规律，也就是根据房屋的⾯积如何计算得到房 屋的价格。 模型的输⼊是房屋⾯积，模型的输出是房屋价格。 我们可以建⽴这样的模型：y = wx + b 其中，w和b是未知的，调整w和b的值可以得到不同的映射规则。 我们知道，y = wx + b 表示的是⼆维平⾯内的⼀根直线，调整w和b的值可以得到不同的的直线。 接下来我们⼀起看⼀下如何去确定w和b的值。 ⾸先，我们先不管w和b取什么值，我们直接把输⼊代⼊模型，可以得到模型的输出值，我们称模型的 输出为预测值。数据如下表：

人工智能算法在数据中规律学习

接着，我们只要调整w和b的值，让预测房价尽量接近真实房价。 那我们怎么调整w和b呢？⼀个个尝试不同的取值吗？ 我们知道，不管是w还是b，都是有⽆限种可能取值的，遍历它们的所有可能取值显然是不现实的。 那么有没有⽅法可以指引我们去找到最优的w和b呢？答案是有的。 回忆⼀下，⾼中数学课程⾥⾯我们是不是做过这样⼀件事情：给定⼀个函数，求函数值的最⼩值以及此 时⾃变量的值。 基于这样的思路，我们做下⾯这样的操作：

人工智能算法在数据中规律学习

这⾥我们就得到了⼀个函数，函数的⾃变量是w和b。⼤家观察这个函数， J的值越⼩， ypredict是不是越接近ytrue ？

这时候我们求J 这个函数的值最⼩的时候对应的w和b的取值，是不是就得到了我们需要找的最优的w和 b的值？ 答案是肯定的，⼈⼯智能算法就是这样做的。

上⾯我们构造的函数，在⼈⼯智能算法⾥⾯叫损失函数，求损失函数的值最⼩时，可训练参数(w和b)的 值的⽅法是梯度下降。关于损失函数和梯度下降的内容，我们后⾯再深⼊去讲解。这⼀⼩节我们要理解 的是⼈⼯智能算法学习的过程。

寻找最优未知参数的值的⽅法： 构建⼀个损失函数，损失函数满⾜⼀下条件： 1、损失函数是关于所有可训练参数的函数； 2、损失函数的函数值越⼩， ypredict越接近ytrue 。

有了损失函数之后，寻找最优可训练参数的问题就转化成： 求损失函数最⼩值（极⼩值）时，可训练参数的取值 --> 通过梯度下降法可以实现。