算法定義了人工智能在處理和分析數據時將使用的規則、條件和方法。

如果你以任何身份使用互聯網，你將不可避免地遇到算法。從谷歌的搜索引擎到Facebook的時間軸算法，再到幫助金融機構處理交易的系統，算法是人工智能的基礎。

盡管算法是我們數字生活的核心，但除了創造它們的人之外，其他人往往不理解。臭名昭著的是，盡管其平臺支持近40萬名全職創作者，但Youtube的算法--它推薦視頻并關注與用戶興趣相關的頻道--因其是一個模糊的黑匣子而聞名，創作者們通過這個黑匣子來獲得財富和饑荒。

本文將照亮科技行業的這一基本方面。

什么是算法？

在基本術語中，算法是一組堅實定義的步驟，需要采取這些步驟以達到計劃的結果。特別是，它被用來解決數學方程。它可以被分解成三個廣泛的組成部分。

輸入：在問題開始時你已經知道的信息。

算法：需要按部就班地實現的序列。

輸出：如果順序中的所有步驟都被完全遵循，那么預期的結果。

科技界以外的一個類似算法的系統的例子是烹飪食譜。你有你的輸入（原料），你有你的算法（需要或多或少準確遵循的食譜步驟），你有你的輸出（希望可以食用的菜肴）。

當我們說算法是我們數字生活的原子結構的一部分時，我們也不是在開玩笑。你所使用的任何計算機程序都在運行多種算法來執行其功能。從你的網絡瀏覽器到你的文字處理器，再到自3.0版本以來一直包含在Windows中的微軟紙牌游戲，它們中的每一個都是依靠算法運行的。

算法在人工智能中是如何工作的？

從根本上說，人工智能（AI）是一個計算機程序。這意味著，像火狐瀏覽器或微軟Word或Zoom或Slack一樣，你遇到的任何人工智能或機器學習（ML）解決方案將從頭開始用算法構建。

算法在人工智能以及機器學習中的作用是可變的。廣義上講，它們定義了人工智能在處理和分析數據時將使用的規則、條件和方法。這可以簡單到定義人工智能處理一張發票所需的步驟，到讓人工智能在包含數十萬張圖片的數據集中過濾掉有狗的圖片。

機器學習中的算法有助于預測輸出，即使給定的是未知的輸入。人工智能算法通過解決不同類別的問題發揮類似的功能。人工智能算法解決的問題類型可以分為三大類。

分類。機器學習的一種類型，用于預測一個項目屬于哪一類，或哪一個類別。一個例子是通過編程讓人工智能區分垃圾信息和你真正需要的信息。

回歸。機器學習的一種類型，用于根據一個物體的功能來預測數字標簽。一個例子是使用歷史數據來預測股票市場的價格和預測。

聚類。機器學習的一種類型，用于根據物體功能的相似性將其分為不同的組。一個例子是使用一種算法對一組金融交易進行分類，并挑選出潛在的欺詐行為的實例。

另見。人工智能是如何通過人工智能增強改變軟件開發的

人工智能算法的類型

分類算法

下面是一些用于人工智能和機器學習的分類算法的例子。

二元邏輯回歸

二元邏輯回歸可以預測一個二元結果，如是/否或通過/失敗。其他形式的邏輯回歸，如多項式回歸，可以預測三種或更多的可能結果。邏輯回歸經常可以在疾病預測、欺詐檢測和流失預測等用例中發現，其數據集可以被用來評估風險。

奈何貝葉斯（Naive Bayes）

奈何貝葉斯是一種概率算法，它將獨立假設納入模型，這意味著它的操作假設是數據集中沒有兩個測量值是相互關聯或以任何方式相互影響的。這就是它們被稱為 "天真 "的原因。它通常用于文本分析和分類模型，它可以將單詞和短語分類到指定的類別。

K 最近鄰 (k-NN)

雖然有時也用于解決回歸問題，但k-NN最常用于解決分類問題。在解決分類問題時，它將數據點分成多個類別到一個平面上，以預測新數據點的類別標簽。新數據點根據平面上最常出現在其周圍的類別標簽進行新分類。k-NN 也被稱為“惰性學習”算法，這意味著它不經過完整的訓練步驟，而只是保存訓練數據集。

決策樹

作為一種監督學習算法，決策樹也可用于分類問題或回歸問題。之所以稱為“樹”，是因為它具有層次結構。從根節點開始，它分支成更小的內部節點或決策節點，在這些節點中進行評估以生成子集，這些子集由終端節點或葉節點表示。

一個例子是從武術的根節點開始，然后將其分為具有引人注目的重點的武術和具有格斗重點的武術的內部節點。然后，這些內部節點可以拆分為特定武術的終端節點，例如拳擊、柔術和泰拳。這些算法非常適合數據挖掘和知識發現任務，因為它們易于解釋并且只需要很少的數據準備就可以部署。

隨機森林

隨機森林利用多個決策樹的輸出來產生預測。與決策樹一樣，隨機森林可用于解決分類和回歸問題。每棵樹都由從訓練數據集中抽取的數據樣本組成，該數據樣本使用放回抽樣。這為決策樹增加了隨機化，即使它們來自完全相同的數據集。

在分類問題中，多數票是由這些隨機決策樹的輸出決定的。例如，假設有 10 個決策樹專門用于確定裙子的顏色。三套說是藍色，兩套說是黑色，四套說是粉色，一套說是紅色。這件衣服將被歸類為粉紅色。

隨機森林是金融機器學習模型的首選算法，因為它可以減少預處理和數據管理任務所需的時間。欺詐檢測、期權定價和客戶信用風險評估都是其在金融領域的應用實例。隨機森林算法是Leo Breiman 和 Adele Cutler 的商標。

回歸算法

以下是人工智能和機器學習中使用的回歸算法的一些示例。

線性回歸

線性回歸是一種在統計學和社會科學中都使用的算法，用于定義因變量和自變量之間的線性關系。這種算法的目標是用給定的數據點確定一條可能的趨勢線。在確定廣告支出如何影響收入時，企業通常會使用線性回歸。

泊松回歸

泊松回歸是一種回歸，其中始終假設預測變量服從泊松分布。泊松分布是一種概率函數，可以幫助確定給定數量的事件在特定的固定時間段內發生的概率。

例如，您可以使用泊松回歸來確定一個高中生班級在 24 小時內解決魔方的可能性有多大。或者，您可以根據餐廳一周內服務的平均用餐人數來預測餐廳在特定日期接待更多顧客的可能性。

普通最小二乘 (OLS) 回歸

OLS 回歸是最流行的回歸算法之一，它以序數值作為輸入來確定多個變量之間的線性關系。該算法在預測某項事物在任意范圍內排名的可能性時最有用，例如在 1-10 范圍內，一款游戲被評為 7 的可能性有多大。它經常用于社會科學，因為該領域的調查經常要求參與者按比例評估某些事物。OLS 回歸也稱為排序學習。

套索（最小絕對選擇和收縮算子）回歸

套索回歸采用 OLS 回歸并在方程中添加一個懲罰項。這可以幫助您創建比簡單 OLS 更復雜的數據表示。它還可以使表示更準確。套索回歸也稱為 L1 正則化。

神經網絡回歸

神經網絡是目前最流行的 AI 和 ML 訓練方法之一。顧名思義，它們受到人腦的啟發，并且擅長處理對于更常見的機器學習方法來說太大而無法持續處理的數據集。

神經網絡是一種多功能工具，只要提供適當數量的先驗數據來預測未來事件，就可以執行回歸分析。例如，您可以向神經網絡提供客戶的網絡活動數據和元數據，以確定客戶不買任何東西就離開您的網站的可能性有多大。

聚類算法

以下是人工智能和機器學習中使用的聚類算法的一些示例。

K-均值聚類

k 均值聚類是一種無監督學習算法，它采用具有某些特征和與這些特征相關的值的數據集，并將數據點分組到多個集群中。“K”代表您嘗試將數據點分類到的簇數。K-means 聚類擁有許多可行的用例，包括文檔分類、保險欺詐檢測和通話詳細記錄分析。

均值偏移聚類

均值偏移聚類是一種簡單、靈活的聚類技術，通過將點移向數據點密度最高的區域（稱為模式），將數據點分配到聚類中。在此設置中如何定義集群取決于多種因素，例如距離、密度和分布。它也被稱為“模式搜索算法”。均值漂移聚類在圖像處理、計算機視覺、客戶細分和欺詐檢測等領域都有用例。

基于密度的噪聲應用空間聚類 (DBSCAN)

DBSCAN 在數據點密度較低的點將高密度簇彼此分開。Netflix 的電影推薦算法使用類似的聚類方法來確定接下來向您推薦什么。

例如，如果你觀看了最近的 Netflix 電影“Do Revenge”，該算法會查看其他也觀看過“Do Revenge”的用戶，并根據這些用戶接下來觀看的內容推薦電影和節目。DBSCAN 擅長處理數據集中的異常值。DBSCAN 的可行用例包括客戶細分、市場研究和數據分析。

使用層次結構的平衡迭代減少和聚類（BIRCH）

BIRCH 是一種常用于處理大型數據集的聚類技術。它可以一次掃描整個數據庫，并專注于數據庫中數據點密度高的空間，并提供精確的數據摘要。

實現 BIRCH 的一種常見方法是與其他無法處理大型數據集的聚類方法一起使用。在 BIRCH 生成其摘要后，其他聚類方法將運行摘要并對其進行聚類。因此，BIRCH 的最佳用例是用于普通聚類方法無法有效處理的大型數據集。

高斯混合模型 (GMM)

與泊松回歸利用泊松分布的概念非常相似，GMM 將數據集建模為多個高斯分布模型的混合體。高斯分布也稱為“正態分布”，因此，可以直觀地假設數據集的聚類將沿著高斯分布的線分布。

GMM 可用于處理大型數據集，因為它保留了奇異高斯模型的許多優點。GMM 已在語音識別系統、異常檢測和股票價格預測中得到應用。