Deeplearning Algorithms tutorial

谷歌的人工智能位于全球前列，在图像识别、语音识别、无人驾驶等技术上都已经落地。而百度实质意义上扛起了国内的人工智能的大旗，覆盖无人驾驶、智能助手、图像识别等许多层面。苹果业已开始全面拥抱机器学习，新产品进军家庭智能音箱并打造工作站级别Mac。另外，腾讯的深度学习平台Mariana已支持了微信语音识别的语音输入法、语音开放平台、长按语音消息转文本等产品，在微信图像识别中开始应用。全球前十大科技公司全部发力人工智能理论研究和应用的实现，虽然入门艰难，但是一旦入门，高手也就在你的不远处！ AI的开发离不开算法那我们就接下来开始学习算法吧！

回归算法

回归方法是对数值型连续随机变量进行预测和建模的监督学习算法。其特点是标注的数据集具有数值型的目标变量。回归的目的是预测数值型的目标值。 最直接的办法是依据输入写出一个目标值的计算公式，该公式就是所谓的回归方程（regression equation）。求回归方程中的回归系数的过程就是回归。

常用的回归方法包括:

• 线性回归：使用超平面拟合数据集
• 最近邻算法：通过搜寻最相似的训练样本来预测新样本的值
• 决策树和回归树：将数据集分割为不同分支而实现分层学习
• 集成方法：组合多个弱学习算法构造一种强学习算法，如随机森林（RF）和梯度提升树（GBM）等
• 深度学习：使用多层神经网络学习复杂模型

如何应用

• 收集数据：可以使用任何方法。
• 准备数据：回归需要数值型数据，标称型数据将被转换成二值型数据。
• 分析数据：绘出数据的可视化二维图将有助于对数据做出理解和分析，在采用缩减法求得新回归系数之后，可以将新拟合线绘在图上作为对比。
• 训练算法：找到回归系数。
• 测试算法：使用 R2 或者预测值和数据的拟合度，来分析模型的效果。
• 使用算法：使用回归，可以在给定输入的时候预测出一个数值，这是对分类方法的提升，因为这样可以预测连续型数据而不仅仅是离散的类别标签。

优缺点

• 优点：结果容易理解，计算上不复杂。
• 缺点：对非线性的数据拟合不好。
• 适用数据范围：数值型和标称型。