略谈人工智能算法的缺点
人工智能有其优点，而且是相速不可替代的优点。当然，也有其缺点。这也难以解决。以个人的工作体验：
出错了也不知道原因，也没法调试。作为一个程序员，写程序肯定出问题，然后就要调试。而人工智能，由算法生成了模型文件，如果出错，再明显的错误，也没法没法调试。一般是重新训练模型。
标识框会闪烁。画面差不多，标识框却不停的闪烁。吾一直觉得奇怪，汝闪烁什么？同样的数据进去，不是应该有同样的结果吗？
有缺点是正常的，没什么大惊小怪的。扬长避短、及时改进就可以了。
当然，本人对此了解不是太深刻（智商有限）。也可能有人解决了，或者知道原因了。
人工智能的常用十种算法
1.决策树根据一些feature进行分类，每个节点提一个问题，通过判断，将数据分为两类，再继续提问。这些问题是根据已有数据学习出来的，再投入新数据的时候，就可以根据这棵树上的问题，将数据划分到合适的叶子上。
2.随机森林视频
在源数据中随机选取数据，组成几个子集
S矩阵是源数据，有1-N条数据，ABC是feature，最后一列C是类别
由S随机生成M个子矩阵
这M个子集得到M个决策树
将新数据投入到这M个树中，得到M个分类结果，计数看预测成哪一类的数目最多，就将此类别作为最后的预测结果
3.逻辑回归视频
当预测目标是概率这样的，值域需要满足大于等于0，小于等于1的，这个时候单纯的线性模型是做不到的，因为在定义域不在某个范围之内时，值域也超出了规定区间。
所以此时需要这样的形状的模型会比较好
那么怎么得到这样的模型呢？
这个模型需要满足两个条件大于等于0，小于等于1大于等于0的模型可以选择绝对值，平方值，这里用指数函数，一定大于0小于等于1用除法，分子是自己，分母是自身加上1，那一定是小于1的了
再做一下变形，就得到了logisticregression模型
通过源数据计算可以得到相应的系数了
最后得到logistic的图形
4.SVM视频
supportvectormachine
要将两类分开，想要得到一个超平面，最优的超平面是到两类的margin达到最大，margin就是超平面与离它最近一点的距离，如下图，Z2>Z1，所以绿色的超平面比较好
将这个超平面表示成一个线性方程，在线上方的一类，都大于等于1，另一类小于等于－1
点到面的距离根据图中的公式计算
所以得到totalmargin的表达式如下，目标是最大化这个margin，就需要最小化分母，于是变成了一个优化问题
举个栗子，三个点，找到最优的超平面，定义了weightvector＝（2，3）－（1，1）
得到weightvector为（a，2a），将两个点代入方程，代入（2，3）另其值＝1，代入（1，1）另其值＝-1，求解出a和截矩w0的值，进而得到超平面的表达式。
a求出来后，代入（a，2a）得到的就是supportvector
a和w0代入超平面的方程就是supportvectormachine
5.朴素贝叶斯视频
举个在NLP的应用
给一段文字，返回情感分类，这段文字的态度是positive，还是negative
为了解决这个问题，可以只看其中的一些单词
这段文字，将仅由一些单词和它们的计数代表
原始问题是：给你一句话，它属于哪一类
通过bayesrules变成一个比较简单容易求得的问题
问题变成，这一类中这句话出现的概率是多少，当然，别忘了公式里的另外两个概率
栗子：单词love在positive的情况下出现的概率是0.1，在negative的情况下出现的概率是0.001
6.K最近邻视频
knearestneighbours
给一个新的数据时，离它最近的k个点中，哪个类别多，这个数据就属于哪一类
栗子：要区分猫和狗，通过claws和sound两个feature来判断的话，圆形和三角形是已知分类的了，那么这个star代表的是哪一类呢
k＝3时，这三条线链接的点就是最近的三个点，那么圆形多一些，所以这个star就是属于猫
7.K均值视频
想要将一组数据，分为三类，粉色数值大，黄色数值小最开心先初始化，这里面选了最简单的3，2，1作为各类的初始值剩下的数据里，每个都与三个初始值计算距离，然后归类到离它最近的初始值所在类别
分好类后，计算每一类的平均值，作为新一轮的中心点
几轮之后，分组不再变化了，就可以停止了
8.Adaboost视频
adaboost是bosting的方法之一
bosting就是把若干个分类效果并不好的分类器综合起来考虑，会得到一个效果比较好的分类器。
下图，左右两个决策树，单个看是效果不怎么好的，但是把同样的数据投入进去，把两个结果加起来考虑，就会增加可信度
adaboost的栗子，手写识别中，在画板上可以抓取到很多features，例如始点的方向，始点和终点的距离等等
training的时候，会得到每个feature的weight，例如2和3的开头部分很像，这个feature对分类起到的作用很小，它的权重也就会较小
而这个alpha角就具有很强的识别性，这个feature的权重就会较大，最后的预测结果是综合考虑这些feature的结果
9.神经网络视频
NeuralNetworks适合一个input可能落入至少两个类别里
NN由若干层神经元，和它们之间的联系组成第一层是input层，最后一层是output层
在hidden层和output层都有自己的classifier
input输入到网络中，被激活，计算的分数被传递到下一层，激活后面的神经层，最后output层的节点上的分数代表属于各类的分数，下图例子得到分类结果为class1
同样的input被传输到不同的节点上，之所以会得到不同的结果是因为各自节点有不同的weights和bias
这也就是forwardpropagation
10.马尔可夫视频
MarkovChains由state和transitions组成
栗子，根据这一句话‘thequickbrownfoxjumpsoverthelazydog’，要得到markovchain
步骤，先给每一个单词设定成一个状态，然后计算状态间转换的概率
这是一句话计算出来的概率，当你用大量文本去做统计的时候，会得到更大的状态转移矩阵，例如the后面可以连接的单词，及相应的概率
生活中，键盘输入法的备选结果也是一样的原理，模型会更高级
原文出自：https://www.imooc.com/article/32691
人工智能
作者：沈聪
贪婪算法是启发式算法的代表算法之一，其核心思想是每次都选择局部最优解，但该算法并不能保证最后得出的结果是全局最优解。贪婪算法比较典型的案例就是最短路径搜索。之前，大部分的贪婪算法都是基于图的方式寻找最优路径。本篇文章主要借助路径动态规划的案例利用贪婪算法讲解树的最优路径。
相对于图来说，在树的搜索过程中，贪婪算法会遇到很多不可行解，这就需要程序能否返回到最近的一个节点，重新寻找其他的可行路径。下面通过一个示例说明贪婪最佳优先搜索和改进贪婪优化算法具体过程。
问题描述下图展示了城市之间的路径图，该图包含了城市节点，城市之间的路径以及路径的大小。利用贪婪算法寻找节点1到节点19的路径。
贪婪算法和核心思路从节点1开始，每次都选择最短的路径，直到到达节点19，其路径显示图如下：
可以看出路径经历了3次死循环后，得出了最后的路径。
在贪婪算法的基础上，我们尝试的每次搜索N个节点，并把这N个节点的路径进行比较，这就是提出的改进贪婪算法。其思路从节点1开始，每次选择N个最短路径进行比较，然后选择N个叠加后的最短路径。以N=2为例，其选择路径为：
该算法在大型的图或树中，可提高搜索效率，但对于过大的N来说，其会导致搜索来回震荡。
MATLAB程序及仿真结果（贪婪算法）functionBest_Path=Greedy_search(Distance_Matrix,Begin_Point,End_Point)%该程序主要利用贪婪算法寻找两个节点之间的最小距离%Distance_Matrix的格式为：%节点12345....21%10928600%29200830...%38600076%...%2100000%Distance_Matrix主要描述了节点和节点之间的连接关系及距离%Begin_Point为起始的节点编号%End_Point为目标的节点编号%History显示了贪婪算法历经的路径%Best_Path显示了贪婪算法最后找出的最优结果Dist_Matrix=Distance_Matrix;History=[Begin_Point];%记录了当次的寻找路径Next_Point=Begin_Point;whileNext_Point~=End_PointNext_Point1=Min_Find(Dist_Matrix(Next_Point,:));%找出当前节点下，最优的下一个节点Dist_Matrix=Trace_Find(Dist_Matrix,Next_Point,Next_Point1);%更新搜索树，把已经寻找到的路径删除Next_Point=Next_Point1;History=[HistoryNext_Point];ifisempty(Next_Point)%倒回到一个节点，如果这个节点除了上游的节点，下游的节点，begin的节点外还有其他的一个节点想相连，则说明它可以作为另外一条路的起点History(end)=[];fori=length(History):-1:1%从最后一个节点开始寻找Point=History(i);%判断这一行是否都为零，如果有不为零的，需要判断这个节点是否在History里面，如果在的也要去除该节点x=find(Dist_Matrix(Point,:)>0);if~isempty(x)forii=1:length(x)Find_x=find(History==x(ii));if~isempty(Find_x)%如果x不为空集，则说明这个节点连接了上游、下游、begin的节点之一，需要去除。Dist_Matrix=Trace_Find(Dist_Matrix,Point,x(ii));%更新搜索树，把已经寻找到的路径删除endendend%去除在History里面的连接后，寻找新的路径x=find(Dist_Matrix(Point,:)>0);if~isempty(x)Next_Point1=Min_Find(Dist_Matrix(Point,:));Dist_Matrix=Trace_Find(Dist_Matrix,Point,Next_Point1);%更新搜索树，把已经寻找到的路径删除Next_Point=Next_Point1;History=[HistoryNext_Point];break;else%如果该节点没有新的路径，寻找下一个节点的新的路径History(i)=[];continue;endendendendBest_Path=History;其结果为
functionMin_Value_Index=Min_Find(Vector)%这个函数主要是寻找一个行向量的非零的最小值Min_Value_Vector=find(Vector>0);if~isempty(Min_Value_Vector)Min_Value_Index=Min_Value_Vector(1);Min_Value=Vector(Min_Value_Index);fori=1:length(Vector)ifVector(i)>0ifMin_Value>Vector(i)Min_Value=Vector(i);Min_Value_Index=i;endelsecontinue;endendelseMin_Value_Index=[];end该程序的难点在于贪婪算法能搜索到很多不可行的路径，程序需要返回到原来的节点重新进行搜索。
改进贪婪算法（N-型贪婪算法），该程序的难点是遇到不可行解后，怎么退回找到原来的路径。这个算法对于大型的图或者树来说，能够提高搜索速度。但对于小的图来说，会引起算法的震荡。
程序为：
functionBest_Path=Greedy_search_N_Step(Distance_Matrix,Begin_Point,End_Point,N)Dist_Matrix=Distance_Matrix;History=[Begin_Point];%记录了当次的寻找路径Next_Point=Begin_Point;whileisempty(find(History==End_Point))[Min_Value_Index,Dist_Matrix]=Min_Find_N_step(Dist_Matrix,Next_Point,N,Begin_Point);if~isempty(Min_Value_Index)Next_Point=Min_Value_Index(end);elseNext_Point=[];endHistory=[HistoryMin_Value_Index];ifisempty(Next_Point)%倒回到一个节点，如果这个节点除了上游的节点，下游的节点，begin的节点外还有其他的一个节点想相连，则说明它可以作为另外一条路的起点History(end)=[];fori=length(History):-1:1%从最后一个节点开始寻找Point=History(i);%判断这一行是否都为零，如果有不为零的，需要判断这个节点是否在History里面，如果在的也要去除该节点x=find(Dist_Matrix(Point,:)>0);if~isempty(x)forii=1:length(x)Find_x=find(History==x(ii));if~isempty(Find_x)%如果x不为空集，则说明这个节点连接了上游、下游、begin的节点之一，需要去除。Dist_Matrix=Trace_Find(Dist_Matrix,Point,x(ii));%更新搜索树，把已经寻找到的路径删除endendend%去除在History里面的连接后，寻找新的路径x=find(Dist_Matrix(Point,:)>0);if~isempty(x)[Min_Value_Index,Dist_Matrix]=Min_Find_N_step(Dist_Matrix,Point,N,Begin_Point);%Next_Point1=Min_Find(Dist_Matrix(Point,:));%Dist_Matrix=Trace_Find(Dist_Matrix,Point,Next_Point1);%更新搜索树，把已经寻找到的路径删除Next_Point=Min_Value_Index(end);History=[HistoryMin_Value_Index];break;else%如果该节点没有新的路径，寻找下一个节点的新的路径History(i)=[];continue;endendendendBest_Path=History;其运行结果为：
可以看出当N=2时候，把20也加入了最后的结果。由于程序较多，只附上主程序，其它函数程序可以私信。