人工智能和机器学习的基本实现过程总结【图文】

总体概括人工智能和机器学习其实就是数学的函数拟合—将数据输入到一个函数通式（y=kx+b）中求出公式。

但是y=kx+b不能表达所有函数对象，所以使用人工神经网络（也就是高阶多项式，表现形式为矩阵）作为函数通式。

由于要处理问题的复杂性（数据量和函数参数较多）目前人类的计算机无法一次性将数据全部计算出来。

故而采取大道至简，***逐步逼近法，就是不断地根据输入小批量的数据变换平移函数通式等于目标函数（数据形成的构成的某种规律）***。

如图所示，假设左图为y目标函数为y1

那么我们只要y-y1=0，y=y1 这就是所谓的损失函数。

那么我们把

问题转移到了求y-y1构成的函数的极小值。

目标；通过函数逼近法求函数通用公式的极小值

人们想到了一个场景怎么快速的下山，山低就是极小值，没走一步就计算一次哪个方向下山快（快速的达到极小值）。这每一小步就是（x0每次输入的数据），决定的方向和走几步（就是对函数通用公式的变换和平移）。

其实上面的场景人们在数学中找到了方法。如何根据当前的输入x0，估计走多远和方向。也就是向量x怎么求得。

就是根据损失函数上的当前点（x0）求附近点的x 的意思。https://baike.baidu.com/item/%E6%B3%B0%E5%8B%92%E5%85%AC%E5%BC%8F

根据泰勒公式，可以推导出x=x0-（人为干扰lr小于0-1数）*（x0位置的一阶导数）（此时的x是附近使得y-y1比x0更小的点）（泰勒公式能根据x0近似的得到f(x),由x0构成的f（x）的表达式，这样才能使得计算x，就是目标函数的近似表达式）

这样就能快速的得到极小值。实际上我们每次更新的权重才是x0和x，而输入的数据不是x0和x。这里要有一个思维转换，一堆的数据才是函数，每次取函数的一个区域，计算该区域范围内下山最快的方法。

总结上面的意思就是随机给一个点x0计算附近哪个点x使得x点的值使得y-y1的值比x0处小

如下图例子假设y-y1=x**2

更多文章请关注《万象专栏》