符合人工智能概念的产品人工智能包括哪些方面( 二 ) _云知道

04 无监督学习在无监督学习范式中，标记数据是不可用的。无监督学习的一个经典例子是“聚类” 。考虑与前面小节中描述的相同示例，在该示例中，我们对三种类型的花的萼片和花瓣尺寸进行了测量。但是，在本例中，我们没有每组测量的花的确切名称。我们所拥有的只是一组测量值。此外，我们被告知这些测量值属于三种不同类型的花。
在这种情况下，可以使用无监督学习技术自动识别三组测量值（所属的）类簇。但是，由于标签未知，我们所能做的就是将每个类簇称为flower-type-1、flower-type-2和flower-type-3 。如果给出一组新的测量值，我们可以找到它们最接近的类簇，并将它们归类为其中之一。
05 强化学习强化学习是一种特殊的学习方法，需要与监督和无监督方法分开对待。强化学习涉及来自环境的反馈，因此它并不是完全无监督的，但是，它也没有一组可用于训练的标记样本，因此不能将其视为有监督的。在强化学习方法中，系统不断地与环境进行交互以寻求产生期望的行为，并从环境中获取反馈。

06 静态学习划分机器学习方法的另一种方式是根据它们处理的数据类型进行分类。接收静态标记数据的系统称为静态学习方法。处理随时间不断变化的数据的系统称为动态方法。每种方法都可以是有监督的，也可以是无监督的，但是，强化学习方法始终是动态的。
静态学习是指对作为单个快照获取的数据进行学习，并且数据的属性随时间保持不变。一旦在数据上训练了模型（使用监督学习或无监督学习），就可以在将来的任何时间将训练后的模型应用于类似的数据，而且该模型仍然有效，并将按预期执行。典型的例子是不同动物的图像分类。
07 动态学习这也称为基于时间序列的学习。这类问题中的数据对时间敏感，会随着时间不断变化。因此，模型训练不是一个静态的过程，而是需要不断地（或在每个合理的时间窗口之后）对模型进行训练，以保持有效。
此类问题的典型例子是天气预报或股票市场预测。一年前训练过的模型对于预测明天的天气或预测明天任何股票的价格将完全无用。两种类型的根本区别在于状态的概念。在静态模型中，模型的状态是不变的，而在动态模型中，模型的状态是时间的函数，它在不断变化。

08 维数在处理各种数据集时，维数通常是一个令人困惑的概念。从物理角度看，维度是空间维度：长度、宽度和高度。（为了简单起见，我们不把时间当作第四维度来深入研究物理学。）在任何现实生活的场景中，我们遇到的都不超过这三个维度。
但是，当我们处理用于机器学习的数据时，通常有几十个、数百个甚至更多个维度。为了理解这些高维度，我们需要研究维度的基本性质。
空间维度的定义使得每个维度都与其他两个维度垂直或正交。这种正交性对于三维空间中的所有点都有唯一表示至关重要。如果维度不是互相正交的，则空间中的相同点可以具有多种表示形式，并且基于此的整个数学计算将失败。
例如，如果我们将三个坐标设置为长度、宽度和高度，并具有任意的原点（原点的精确位置仅会更改坐标值，但不会影响唯一性属性，因此只要它在整个计算过程中保持不变，任何原点的选择都是可以的。）
坐标（0,0,0）标记原点本身的位置。坐标（1,1,1）将标记一个点空间，该点空间在每个维度中均距原点1个单位，并且是唯一的。没有其他坐标系可以表示空间中的相同位置。