AI時代到來，作為職場人的我們，或許可以了解一些AI術語名詞。這篇文章里，作者就介紹了一些概念，不妨來看看。

本文專為非技術背景的AI愛好者設計，旨在深入淺出地介紹AI的基礎概念和關鍵技術，從最基礎的邏輯回歸到復雜的Transformer模型，帶您一步步解鎖AI技術的奧秘。

一、邏輯回歸

如果你想通過人工智能判斷某人是否會患糖尿病，則邏輯回歸可以通過綜合分析用戶的年齡、體重、胰島素水平等等來給出一個0~1的概率值，如果閾值設定為0.7，則高于0.7的我們就歸類為高風險人群，以便更早期的干預和管理風險。

二、線性回歸

邏輯回歸解決的是0到1的概率問題，而很多時候是我們需要具體的值，比如你在擺攤賣冰激凌，你注意到溫度越高，你賣出去的冰激凌越多。

線性回歸就像是你用尺子和鉛筆在歷史銷售數(shù)據(jù)的散點圖表上畫一條直線，盡量讓這條線貼近所有的銷售點（溫度是x，銷售額是y）。這樣，你就可以用這條線預測，在任何給定溫度下，你大概能賣多少冰激凌。

三、多元多項式回歸

你一定發(fā)現(xiàn)了在前文冰激凌案例中，很顯然溫度對收入的影響并不是直線而是一個曲線，并且也不止溫度這一個自變量。多元多項式回歸就是一種可以綜合考慮多個X自變量并且能得出非線性關系的機器學習算法。比如訓練一個評估房價的模型，那么自變量就有：面積、房齡、距離地鐵站距離、樓層數(shù)等等，自變量越多，模型越能去模擬真實世界。

四、決策樹

本文前三節(jié)都是基于簡單的數(shù)學公式的模型，這些模型要求輸入數(shù)據(jù)是數(shù)值型，這意味著在處理性別、城市、疾病類別等非數(shù)值型時，需要進行數(shù)值轉化的預處理，這增加了算法復雜度，造成過擬合等問題。

決策樹可以直接處理分類特征，比如訓練一個診斷心臟病類型的算法模型，我們搭建有很多決策點比如：患者的胸痛類型、心電圖結果，這些決策點就構成了一個決策樹，每個葉節(jié)點代表一個特定的心臟病診斷。需要注意的是決策樹和前三種算法并不是互斥關系，決策樹的葉節(jié)點上可以包含獨立的算法模型。

五、隨機森林

就像醫(yī)生之間對于同一個癥狀會有不同的疾病診斷一樣，對于同一個問題會無數(shù)種決策樹方式，如果醫(yī)生用投票的形式來最終決定是哪一個疾病診斷，這種診斷的準確性往往比一個醫(yī)生的準確率高很多，這種集成多顆決策樹的模型構建方式，叫做隨機森林。

為什么叫“隨機”森林呢？好比每個醫(yī)生都是一個決策樹，就算他們是從一個學校培養(yǎng)出來的，但他們個人接觸到的病例樣本不同，個人性格傾向于保守還是樂觀也不同，這種隨機性讓每一個決策樹結構都不同，所以被稱之為隨機森林。

六、聚類

在機器學習中訓練模型就好比是用“大量已知的y和x”去倒推出在“y=f（x）”中的f，比如訓練一個短視頻推薦算法，x是用戶數(shù)據(jù)，y是用戶興趣標簽，如果y的顆粒度越精準那么推薦的視頻也就越符合他的胃口。

但在實際中，我們很難去給用戶標注合適的y來準備足夠的訓練集。此時，就常用到聚類算法，他可以自行從大量x中依據(jù)數(shù)據(jù)之間的相似度來劃分成多個類別，聚類常用在機器學習的數(shù)據(jù)預處理階段。

七、降維

假設你有一個信息超級全的地圖，包含馬路、鐵路、景點、學校、醫(yī)院、甚至地形海拔，但是你只是想知道從人民廣場到陸家嘴要坐幾號線而已，那最適合你的就只是地鐵路線圖而已，這種簡化數(shù)據(jù)但保留重要信息的過程就叫做降維，人工智能對信息的降維可以減少計算成本（省電費、省顯卡），比如，你要訓練一個給臉部顏值打分的模型，那么采集到的照片背景、用戶的衣服顏色等等就是多余的數(shù)據(jù)。

八、卷積神經網(wǎng)絡

卷積神經網(wǎng)絡（CNN）最典型的運用是圖像識別，它模仿人的思維，自動捕捉典型特征，比如邊緣、角落、紋理等，然后他們的發(fā)現(xiàn)會被匯總起來，以幫助整個團隊理解整張圖片的內容。比如我們判斷照片上的動物是不是貓，我們會最先想到的是看它的三角形的耳朵、圓胖的臉蛋、小鼻子，綜合這些特征后判斷是不是貓。

九、循環(huán)神經網(wǎng)絡

CNN適合處理圖像或視頻這種網(wǎng)格結構的數(shù)據(jù)，而循環(huán)神經網(wǎng)絡（RNN）適合處理文本、語音、天氣這類有時間順序序列數(shù)據(jù)，它具有一定的記憶能力能夠理解上下文關系。這個算法的缺點是容易“梯度爆炸”或者“梯度消失”，“梯度爆炸”可以類比為在閱讀小說時，對之前章節(jié)非必要的細節(jié)過于沉浸無法忘懷，以至于影響了對當前內容的理解。而“梯度消失”則相當于你很快就忘記了之前的內容，使得理解當前內容變得困難。

十、Transformer

Transformer模型通過其獨特的自注意力機制可以解決CNN中常有的“梯度爆炸”和“梯度消失”的問題，并且它不需要像RNN一樣按順序處理數(shù)據(jù)，而是可以一次性讀取全部數(shù)據(jù)。就像是在一個巨大的圖書館里尋找信息，RNN是一本一本去讀，而Transformer可以一次性看完，并迅速找到你需要的信息。這種方法特別適合處理語言，因為它需要同時理解句子中的每個詞及其上下文關系。