导读：本篇文章首席CTO笔记来给大家介绍有关人工智能预测模型有哪些的相关内容，希望对大家有所帮助，一起来看看吧。
人工智能算法简介
人工智能的三大基石—算法、数据和计算能力，算法作为其中之一，是非常重要的，那么人工智能都会涉及哪些算法呢？不同算法适用于哪些场景呢？
一、按照模型训练方式不同可以分为监督学习（Supervised Learning），无监督学习（Unsupervised Learning）、半监督学习（Semi-supervised Learning）和强化学习（Reinforcement Learning）四大类。
常见的监督学习算法包含以下几类：
（1）人工神经网络（Artificial Neural Network）类：反向传播（Backpropagation）、波尔兹曼机（Boltzmann Machine）、卷积神经网络（Convolutional Neural Network）、Hopfield网络（hopfield Network）、多层感知器（Multilyer Perceptron）、径向基函数网络（Radial Basis Function Network，RBFN）、受限波尔兹曼机（Restricted Boltzmann Machine）、回归神经网络（Recurrent Neural Network，RNN）、自组织映射（Self-organizing Map，SOM）、尖峰神经网络（Spiking Neural Network）等。
（2）贝叶斯类（Bayesin）：朴素贝叶斯（Naive Bayes）、高斯贝叶斯（Gaussian Naive Bayes）、多项朴素贝叶斯（Multinomial Naive Bayes）、平均-依赖性评估（Averaged One-Dependence Estimators，AODE）
贝叶斯信念网络（Bayesian Belief Network，BBN）、贝叶斯网络（Bayesian Network，BN）等。
（3）决策树（Decision Tree）类：分类和回归树（Classification and Regression Tree，CART）、迭代Dichotomiser3（Iterative Dichotomiser 3， ID3）,C4.5算法（C4.5 Algorithm）、C5.0算法（C5.0 Algorithm）、卡方自动交互检测（Chi-squared Automatic Interaction Detection，CHAID）、决策残端（Decision Stump）、ID3算法（ID3 Algorithm）、随机森林（Random Forest）、SLIQ（Supervised Learning in Quest）等。
（4）线性分类器（Linear Classifier）类：Fisher的线性判别（Fisher’s Linear Discriminant）
线性回归（Linear Regression）、逻辑回归（Logistic Regression）、多项逻辑回归（Multionmial Logistic Regression）、朴素贝叶斯分类器（Naive Bayes Classifier）、感知（Perception）、支持向量机（Support Vector Machine）等。
常见的无监督学习类算法包括：
（1） 人工神经网络（Artificial Neural Network）类：生成对抗网络（Generative Adversarial Networks，GAN），前馈神经网络（Feedforward Neural Network）、逻辑学习机（Logic Learning Machine）、自组织映射（Self-organizing Map）等。
（2） 关联规则学习（Association Rule Learning）类：先验算法（Apriori Algorithm）、Eclat算法（Eclat Algorithm）、FP-Growth算法等。
（3）分层聚类算法（Hierarchical Clustering）：单连锁聚类（Single-linkage Clustering），概念聚类（Conceptual Clustering）等。
（4）聚类分析（Cluster analysis）：BIRCH算法、DBSCAN算法，期望最大化（Expectation-maximization，EM）、模糊聚类（Fuzzy Clustering）、K-means算法、K均值聚类（K-means Clustering）、K-medians聚类、均值漂移算法（Mean-shift）、OPTICS算法等。
（5）异常检测（Anomaly detection）类：K最邻近（K-nearest Neighbor，KNN）算法，局部异常因子算法（Local Outlier Factor，LOF）等。
常见的半监督学习类算法包含：生成模型（Generative Models）、低密度分离（Low-density Separation）、基于图形的方法（Graph-based Methods）、联合训练（Co-training）等。
常见的强化学习类算法包含：Q学习（Q-learning）、状态-行动-奖励-状态-行动（State-Action-Reward-State-Action，SARSA）、DQN（Deep Q Network）、策略梯度算法（Policy Gradients）、基于模型强化学习（Model Based RL）、时序差分学习（Temporal Different Learning）等。
常见的深度学习类算法包含：深度信念网络（Deep Belief Machines）、深度卷积神经网络（Deep Convolutional Neural Networks）、深度递归神经网络（Deep Recurrent Neural Network）、分层时间记忆（Hierarchical Temporal Memory，HTM）、深度波尔兹曼机（Deep Boltzmann Machine，DBM）、栈式自动编码器（Stacked Autoencoder）、生成对抗网络（Generative Adversarial Networks）等。
二、按照解决任务的不同来分类，粗略可以分为二分类算法（Two-class Classification）、多分类算法（Multi-class Classification）、回归算法（Regression）、聚类算法（Clustering）和异常检测（Anomaly Detection）五种。
1.二分类（Two-class Classification）
（1）二分类支持向量机（Two-class SVM）：适用于数据特征较多、线性模型的场景。
（2）二分类平均感知器（Two-class Average Perceptron）：适用于训练时间短、线性模型的场景。
（3）二分类逻辑回归（Two-class Logistic Regression）：适用于训练时间短、线性模型的场景。
（4）二分类贝叶斯点机（Two-class Bayes Point Machine）：适用于训练时间短、线性模型的场景。（5）二分类决策森林（Two-class Decision Forest）：适用于训练时间短、精准的场景。
（6）二分类提升决策树（Two-class Boosted Decision Tree）：适用于训练时间短、精准度高、内存占用量大的场景
（7）二分类决策丛林（Two-class Decision Jungle）：适用于训练时间短、精确度高、内存占用量小的场景。
（8）二分类局部深度支持向量机（Two-class Locally Deep SVM）：适用于数据特征较多的场景。
（9）二分类神经网络（Two-class Neural Network）：适用于精准度高、训练时间较长的场景。
解决多分类问题通常适用三种解决方案：第一种，从数据集和适用方法入手，利用二分类器解决多分类问题；第二种，直接使用具备多分类能力的多分类器；第三种，将二分类器改进成为多分类器今儿解决多分类问题。
常用的算法：
（1）多分类逻辑回归（Multiclass Logistic Regression）：适用训练时间短、线性模型的场景。
（2）多分类神经网络（Multiclass Neural Network）：适用于精准度高、训练时间较长的场景。
（3）多分类决策森林（Multiclass Decision Forest）：适用于精准度高，训练时间短的场景。
（4）多分类决策丛林（Multiclass Decision Jungle）：适用于精准度高，内存占用较小的场景。
（5）“一对多”多分类（One-vs-all Multiclass）：取决于二分类器效果。
回归
回归问题通常被用来预测具体的数值而非分类。除了返回的结果不同，其他方法与分类问题类似。我们将定量输出，或者连续变量预测称为回归；将定性输出，或者离散变量预测称为分类。长巾的算法有：
（1）排序回归（Ordinal Regression）：适用于对数据进行分类排序的场景。
（2）泊松回归（Poission Regression）：适用于预测事件次数的场景。
（3）快速森林分位数回归（Fast Forest Quantile Regression）：适用于预测分布的场景。
（4）线性回归（Linear Regression）：适用于训练时间短、线性模型的场景。
（5）贝叶斯线性回归（Bayesian Linear Regression）：适用于线性模型，训练数据量较少的场景。
（6）神经网络回归（Neural Network Regression）：适用于精准度高、训练时间较长的场景。
（7）决策森林回归（Decision Forest Regression）：适用于精准度高、训练时间短的场景。
（8）提升决策树回归（Boosted Decision Tree Regression）：适用于精确度高、训练时间短、内存占用较大的场景。
聚类
聚类的目标是发现数据的潜在规律和结构。聚类通常被用做描述和衡量不同数据源间的相似性，并把数据源分类到不同的簇中。
（1）层次聚类（Hierarchical Clustering）：适用于训练时间短、大数据量的场景。
（2）K-means算法：适用于精准度高、训练时间短的场景。
（3）模糊聚类FCM算法（Fuzzy C-means，FCM）：适用于精确度高、训练时间短的场景。
（4）SOM神经网络（Self-organizing Feature Map，SOM）：适用于运行时间较长的场景。
异常检测
异常检测是指对数据中存在的不正常或非典型的分体进行检测和标志，有时也称为偏差检测。
异常检测看起来和监督学习问题非常相似，都是分类问题。都是对样本的标签进行预测和判断，但是实际上两者的区别非常大，因为异常检测中的正样本（异常点）非常小。常用的算法有：
（1）一分类支持向量机（One-class SVM）：适用于数据特征较多的场景。
（2）基于PCA的异常检测（PCA-based Anomaly Detection）：适用于训练时间短的场景。
常见的迁移学习类算法包含：归纳式迁移学习（Inductive Transfer Learning） 、直推式迁移学习（Transductive Transfer Learning）、无监督式迁移学习（Unsupervised Transfer Learning）、传递式迁移学习（Transitive Transfer Learning）等。
算法的适用场景：
需要考虑的因素有：
（1）数据量的大小、数据质量和数据本身的特点
（2）机器学习要解决的具体业务场景中问题的本质是什么？
（3）可以接受的计算时间是什么？
（4）算法精度要求有多高？
————————————————
原文链接：
AI可预测路人的行为，具体是如何预测的？
麻省理工学院（MIT）的研究人员为这个复杂的挑战设计了一个看似简单的解决方案。他们将多个道路使用者的行为预测问题分成小块，并单独解决每个问题，因此计算机可以实时解决这一复杂的任务。他们的行为预测框架首先猜测两个道路使用者之间的关系--哪辆汽车、骑自行车的人或行人拥有通行权，哪个道路使用者会让路--并利用这些关系来预测多个道路使用者的未来轨迹。
与自动驾驶公司Waymo编制的巨大数据集中的真实交通流相比，这些估计的轨迹比其他机器学习模型的轨迹更准确。麻省理工学院的技术甚至超过了Waymo最近发布的模型。而且，由于研究人员将问题分解成更简单的部分，他们的技术使用的内存更少。
“这是一个非常直观的想法，但之前没有人充分探索过，而且效果相当好。简单性绝对是一个优点。我们正在将我们的模型与该领域的其他最先进的模型进行比较，包括该领域的领先公司Waymo的模型，我们的模型在这个具有挑战性的基准上取得了顶级的性能。这在未来有很大的潜力，”研究共同牵头人黄昕（音译）说，他是航空和航天系的研究生，也是航空和航天系教授、计算机科学和人工智能实验室（CSAIL）成员Brian Williams实验室的研究助理。
与黄昕和 Williams一起撰写论文的还有来自中国清华大学的三位研究人员：共同第一作者孙桥、顾俊如和资深作者赵行。该研究将在计算机视觉和模式识别会议上发表。研究人员开发新系统 用人工智能预测他人在路上的行为。
多个小模型、研究人员的机器学习方法被称为M2I，它需要两个输入：在交通环境（如四通八达的十字路口）中互动的汽车、自行车和行人的过去轨迹，以及一张包含街道位置、车道配置等的地图。利用这些信息，一个关系预测器推断出两个道路使用者中哪一个先拥有路权，将一个人归类为通行者，一个人归类为让路者。然后，一个被称为边际预测器的预测模型猜测过路者的轨迹，因为这个代理人的行为是独立的。
预测模型，被称为条件预测器，然后根据经过的代理人的行为，猜测屈服的代理人会做什么。该系统预测出让者和传递者的一些不同轨迹，单独计算每个轨迹的概率，然后选择发生可能性最大的六个联合结果。
M2I输出一个预测，即这些道路使用者在未来8秒内将如何在交通中移动。在一个例子中，他们的方法使一辆车减速，以便行人能够过马路，然后在他们清除了交叉路口后加速。在另一个例子中，车辆在从一条小街转入一条繁忙的主干道之前，一直等待几辆车通过。
人工智能算法有哪些
同意上一个回答，我来补充一下
决策树
决策树是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。
随机森林
在机器学习中，随机森林是一个包含多个决策树的分类器， 并且其输出的类别是由个别树输出的类别的众数而定。
逻辑回归
逻辑回归，是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。例如，探讨引发疾病的危险因素，并根据危险因素预测疾病发生的概率等。
Adaboost
Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。
其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。
朴素贝叶斯
朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。最为广泛的两种分类模型是决策树模型和朴素贝叶斯模型。
和决策树模型相比，朴素贝叶斯分类器发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。同时，朴素贝叶斯分类器模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。
K近邻
所谓K近邻算法，即是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例（也就是上面所说的K个邻居）， 这K个实例的多数属于某个类，就把该输入实例分类到这个类中。
SVM
使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险，是一个具有稀疏性和稳健性的分类器。
神经网络
人工神经网络是生物神经网络在某种简化意义下的技术复现，它的主要任务是根据生物神经网络的原理和实际应用的需要建造实用的人工神经网络模型，设计相应的学习算法，模拟人脑的某种智能活动，然后在技术上实现出来用以解决实际问题。因此，生物神经网络主要研究智能的机理；人工神经网络主要研究智能机理的实现，两者相辅相成。
人工智能监督预测是什么
人工智能非常复杂，而且发展速度很快。任何人都不可能对其未来几年的发展方向做出准确的预测。但就人工智能在2018年的发展趋势来说，我们可以给出一些具体的预测，并指出其会对企业、政府和社会产生哪些影响。一些新兴的趋势已经开始展现。
根据在人工智能领域有远见的人士的分析，以及普华永道为世界各地的客户提供人工智能应用咨询时的经验，我们做出了以下这8项预测。

一、在影响就业之前，人工智能将会对雇主产生影响
长期来看, 人工智能不会摧毁就业市场——至少在2018年是不可能的。但是企业面临着一个重大挑战：只有汇集了来自不同种类的数据以及不同学科的团队成员时，人工智能才能发挥出最大的效果。同时，它还需要借助相应的结构和技能来实现人机协作。但是大多数企业都把数据存放在联合企业和团队的数据库里。 很少有企业开始为员工提供他们所需要的基本人工智能技能。普通的企业还没有准备好满足人工智能的需求。

可能你读到过很多这样的新闻：机器人和人工智能将会摧毁工作机会。但我们并不这样认为。我们看到一个更加复杂的情况成为焦点，人工智能将会促进就业市场逐步演变，只要正确的应对这一趋势，就会对就业产生积极的影响。新的工作机会将抵消那些失去的。人们仍然会进行工作，但他们会在人工智能的帮助下更高效地工作。
同样，你也可能听说了人工智能击败了世界上最厉害的国际象棋大师。但并不是每个人都知道什么才能击败人工智能象棋大师：一个“人机结合”系统，或者人和人工智能作为一个团队去下棋。人类能够从人工智能合作伙伴那里获取建议，但也可以自由的推翻它。这是两者建立联系的过程，也是取得成功的关键。
这种无与伦比的组合将成为未来劳动力队伍中的新常态。考虑一下人工智能将会如何加强产品设计的过程：人类工程师定义每个零件使用的材料、特征和各种约束条件，并将其输入到人工智能系统中，从而生成大量模型。然后，工程师可以选择其中的一个模型，也可以改进他们的输入，然后让人工智能再次尝试生成模型。
这种模式是人工智能促进经济发展的一个原因。然而，不可否认的是，在一些行业，经济体和企业（尤其是那些涉及重复性工作的行业，经济和企业）中，工作将会改变或被淘汰。不过，在接下来的两年内，影响相对有限：根据普华永道的国际就业自动化研究估计，在对29个国家的分析中，到2020年，存在高度自动化风险的就业岗位仅约3％。
为什么一些企业会成功，一些企业会失败？
在2018年，企业将开始意识到他们需要改变他们当前的工作方式。在他们这样做的时候，他们需要特别留意之前发生的事情：失败的技术转型。发生这种情况的原因有很多，但有两个原因与许多企业接近人工智能的方式有关。一是不会变通，对号入座；二是孤岛上进行思考和工作。
精通人工智能的员工不仅仅需要知道如何选择正确的算法，以及将数据输入到模型中。他们还需要知道如何解释结果，以及什么时候让算法自主决定，什么时候该介入其中。
同时，不同团队之间的相互协作才能有效使用人工智能。想象一下一个帮助医院工作人员决定批准哪些医疗程序的人工智能系统，它不仅需要来自医疗和人工智能领域专家的投入，还需要来自法律，人力资源，财务，网络安全和合规团队的投入。
大多数企业喜欢设定界限，让特定的团队负责某些领域或项目，并据此分配预算。但是人工智能需要多学科团队齐心协力解决问题。之后，团队成员继续进行其他挑战， 但是会继续监控并完善第一个挑战。
就人工智能而言，和其他许多数字技术一样。企业和及教育机构应该少考虑一些工作title的问题，多关注一些工作任务、技能和思维方式方面的问题。这意味着要拥抱新的工作方式。
影响
（1）人们将普遍接受人工智能
随着人工智能的发展，人们将会意识到人工智能摧毁工作只是一场虚惊。人们可能会更乐意接受工作场所和社会中的人工智能。关于人工智能抢走我们工作的言论将会销声匿迹，人们将会谈论机器人使我们的生活或工作更将容易的话题。这将会倒逼企业更快的拥抱人工智能。
（2）企业将开始重组
这将是一个漫长的过程，但一些具有前瞻性思维的企业已经开始改变将数据存放在联合企业和团队的数据库里的格局。一些企业也开始大规模地增加人工智能和其他数字技术所需要的劳动力。这种增加不仅仅是教员工掌握新的技能，它还将教导员工掌握一种强调与同事和人工智能合作的新思维模式。
二、人工智能将融入现实，开始发挥其效用
它可能不会成为媒体的头条新闻, 但人工智能现在已经准备好了，能够自动完成日益复杂的流程，识别出能够创造商业价值的趋势，并提供具有前瞻性的情报。
这带来的结果是, 人们的工作量减少, 做出的战略决策也变得更好了：员工的工作也比以前更好了。 但是, 由于传统的投资回报率（ROI）策略可能无法准确地识别出这一价值，企业将需要考虑采取新的指标，以便更好地理解工智能可以为它们做什么。

54%的高管表示，人工智能解决方案提高了生产力。
在很多媒体的报道中，以人工智能为动力的未来看起来非常神奇：自动驾驶汽车组成的车队基本上不会遇到车祸或者交通拥堵；机器人医生诊断疾病通常只需要几毫秒；智能的基础设施将会优化人员与货物的流动，并在需要修理之前自动维护。在将来，所有的这些可能都会发生，但不会出现在2018年。
在接受调查的高管中，他们认为人工智能对他们的成功至关重要：72％的人认为这将是未来的商业优势。但我们面临的问题是：当下它能为我们做什么？答案就在这里。
提高人的生产力
如果人工智能听起来可能让人感到牵强附会，那么，能够执行繁琐重复性的白领的任务的工具，能让管理者们把时间花在分析上，听起来怎样？那么，一个能够识别欺诈行为并提高供应链弹性的方法呢？
这就是人工智能在2018年的价值：不在于创造一个全新的行业（未来十年），而在于增强现有员工的能力，为现有的企业增加更多的价值。主要有三种方式：
将那些对于老技术来说过于复杂的流程自动化；
从历史数据中发现趋势以创造商业价值；
提供具有前瞻性的情报来使人们更好地下决策。

从繁琐的任务中获得价值
想象一下大多数公司的财务部门是如何花费大部分时间的：浏览来自ERP，支付处理，商业智能和其他系统的数据。许多员工每天要花费数小时的时间研究法律合同和电子邮件，或执行一些普通的交易任务。
这带来的结果是，许多金融专业人员在有其他日常工作剩余时间的时候，才会进行增值分析。
现在想象一下，有一个人工智能系统能够扫描所有的数据，发现趋势和异常情况，自动执行许多交易，并标记相关问题以便进一步跟进。想象一下，这个人工智能系统还会识别和解释可能存在的风险，并提供数据驱动的预测来支持管理人员的分析和决策。
它听起来可能没有智能城市那么性感，但这种实用的人工智能现在已经准备就绪。它通常是“偷偷地从后门溜进来”。来自Salesforce，SAP，Workday和其他公司的企业应用程序套件正在越来越多地拥抱人工智能。
影响
（1）业务问题将会打开通向人工智能的大门
领导者没必要为了人工智能而采用人工智能。想法，在他们寻求商业需求的最佳解决方案时，人工智能将发挥越来越大的作用。企业是否想要实现自动化计费？自动化执行普通的会计和预算等众多合规的功能是否想要将采购、物流和客户服务部分自动化？人工智能很可能会成为解决方案的一部分，无论用户是否能够察觉到它。
（2）需要采用新的投资回报率衡量策略
有时衡量人工智能价值的最佳方法是使用与其他商业投资相同的指标：收入增加或成本降低等。 但是人工智能带来的好处往往是间接的，所以企业需要探索其他衡量投资回报率的指标。 自动化的全职员工可以捕捉到人工智能是如何将劳动力从平凡的任务中解放出来的。 其他指标可以显示出人工智能是如何改善人们的决策和预测的。
人工智能常用训练方法有哪些
有四种方法如下：
1、监督式学习。
在监督式学习下，输入数据被称为“训练数据”，每组训练数据有一个明确的标识或结果，如对防垃圾邮件系统中“垃圾邮件”“非垃圾邮件”，对手写数字识别中的“1“，”2“，”3“，”4“等。
在建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与“训练数据”的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。
2、强化学习。
在这种学习模式下，输入数据作为对模型的反馈，不像监督模型那样，输入数据仅仅是作为一个检查模型对错的方式，在强化学习下，输入数据直接反馈到模型，模型必须对此立刻作出调整。
3、非监督式学习。
在非监督式学习中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。常见的应用场景包括关联规则的学习以及聚类等。常见算法包括Apriori算法以及k-Means算法。
4、半监督式学习。
在此学习方式下，输入数据部分被标识，部分没有被标识，这种学习模型可以用来进行预测，但是模型首先需要学习数据的内在结构以便合理的组织数据来进行预测。
应用场景包括分类和回归，算法包括一些对常用监督式学习算法的延伸，这些算法首先试图对未标识数据进行建模，在此基础上再对标识的数据进行预测。
结语：以上就是首席CTO笔记为大家介绍的关于人工智能预测模型有哪些的全部内容了，希望对大家有所帮助，如果你还想了解更多这方面的信息，记得收藏关注本站。