人工智能复习

L1 Introduction

1、有监督学习和无监督学习（supervised study and unsupervised study）：区别在于自己是否知道正确答案，对于数据集来说也就是有没有标签（label）

比如对于KNN，训练数据的每一个属性值都已经知道，这个就是有监督的学习，而K-means算法事先是不知道每个点是属于哪一类的，所以是无监督的学习。

讲到这里再说两个概念的区别：分类和回归（来自知乎https://www.zhihu.com/question/21329754/answer/18004852 ）分类是根据训练数据推出测试数据的类别，所以最后的输出只能是两个值。比如PLA和LR，它们都是分类的算法，而回归是根据训练数据输出最后的y（实数）是多少，比如KNN和NB是可以做回归的，不过它们也可以用来做分类。但是分类的算法，比如前面说的两种以及DT（决策树），一般就只能做分类。

至于无监督学习用到的K-means和Apriori等，就可以做复分类了，分出更多的类。

2、分类与回归

分类就是根据训练数据推测出测试数据属于哪一类。比如推测是什么花、这个物种是不是鸟。(相关数据的网址：http://archive.ics.uci.edu/ml/datasets.html )

而回归就是根据训练和测试数据的关系退出测试数据的取值。比如啤酒和尿布同时购买的概率、产量和销量的关系。

L2 数学基础

1、条件概率

1.1 乘法法则：



1.2 几个小题目



答案是1。可以把G理解成“明天出门还是在家”，L就是“明天下雨”，所以整个公式的计算结果就是如果明天下雨（注意是前提），明天出门、在家待的概率之和。所以结果是1。



这道题要从最后的结果入手：假设最后选的是水果j，那么前面的n-1次选的都不是水果j，所以概率就是P(1-j)^(n-1)*Pj。最后求个和就行了。

1.3 方差（Variance）



1.4 协方差（Covariance）



1.5 相关系数（Correlation）



相关系数反映的是一种相关关系，比如x和y之间的关系，如果是下图这样，那么它们的相关系数就是0



1.6 正态随机分布(Normal)



1.7 距离



习题：





首先我们要知道协方差矩阵是一个什么东西：



而cov(x, x)=var(x)，所以如果算出了第一题的结果，第二题算相关系数直接用第一题的数据就行了。





L3 Logic(To be continue…)