「苏宁金融研究院」魔力背后的秘密是什么？，人工智能助力抗疫( 二 ) ?随着人工智能技术的发展

AlphaGo为了解决围棋的复杂问题，结合了有监督学习和强化学习的优势，通过标注数据训练形成一个策略网络，将棋盘上的当前棋子的布局状态作为输入信息，对所有可能的下一步落子位置生成一个概率分布。以-1（对手胜利）到1（AlphaGo胜利）为标准，预测所有落子位置的得分。也就是说，针对每个棋盘状态定义了一个学习目标，如此大量的循环往复，模型学会了应对不同的棋盘布局能够预测最佳落子位置，最终取得令人瞩目的成果。
2、无监督学习
【「苏宁金融研究院」魔力背后的秘密是什么？，人工智能助力抗疫】无监督学习被称为“没有老师的学习” ，相比有监督学习的不同之处在于，不使用事先标注的训练样本，没有训练的过程，而是直接拿无标注的数据进行建模分析，通过机器学习自行学习探索，从数据集中发现和总结模式或者结构。
典型的无监督学习算法包括：生成对抗网络（GAN）、前馈神经网络、逻辑学习机、自组织映射、Apriori算法、Eclat算法、DBSCAN算法、期望最大化、模糊聚类、k-means算法等。
这里以k-means算法为例来看看无监督学习背后的运行机制，这是一种用来计算数据聚类的算法。

文章图片
例如，对上图中的A、B、C、D、E五个点聚类，主要方法是不断地设定并调整种子点的位置，计算离种子点最近的均值，最终根据距离聚成群。灰色的是开始时设定的种子点，首先，计算五个点与种子点之间直接的距离，然后，将种子点逐步移动到点群的中心。最终， A、B、C和D、E分别根据离种子点的距离聚类为点群。
这个方法看上去很简单，但是应用的范围非常广泛，包括给网页文本进行主题分类；分析一个公司的客户分类，对不同的客户使用不同的商业策略；电子商务中分析商品相似度，归类商品，从而得出不同的销售策略等。
曾有人做过一个有趣的分析，给亚洲15支足球队的2005年到2010年的战绩做了一个表，然后用k-Means把球队归类，得出了下面的结果，来，感觉一下是否靠谱？
亚洲一流：日本、韩国、伊朗、沙特；
亚洲二流：乌兹别克斯坦、巴林、朝鲜；
亚洲三流：中国、伊拉克、卡塔尔、阿联酋、泰国、越南、阿曼、印尼。
3、半监督学习
半监督学习，处在有监督学习和无监督学习的中间带，其输入数据的一部分是有标签的，另一部分没有标签，而没标签数据的数量往往远大于有标签数据数量（这也是符合现实情况的）。常见的半监督学习类算法包含：生成模型、低密度分离、基于图形的方法、联合训练等。
4、强化学习
强化学习，主要是让机器从一个状态转变到另一个状态，当完成任务时获得高分奖励，但是没有完成任务时，得到的是低分惩罚，这也是强化学习的核心思想。常见的强化学习类算法包含：Q学习、状态-行动-奖励-状态-行动（SARSA）、DQN、策略梯度算法、基于模型强化学习、时序差分学习等。
强化学习是近些年大家研究的一个重点，我们以Q学习为例说明（此处，引用了McCullock一个非常好的样例）。假设一个房子有五个房间，房间之间通过门连接，从0到4编号，屋外视为一个单独的房间，编号为5 ，如下方左图。

文章图片
我们把左面的图转换一下，房间作为节点，如果两个房间有门相连，则中间用一条边表示，得到上方右图。
假设我们的目标是从屋内任意一个房间走到屋外，即编号5 ， 2号房间是起点，每条边设定奖励值，指向5的为100 ，其他为0 ，可以发现，通过得分奖励，从2到3 ，再到1或4 ，最终路线会收敛到5 。