人工智能主要包括自然语言处理、计算机视觉和传统机器学习（非多层神经网络）三个领域。基于自然语言处理技术又衍生出AI逻辑推理和AI智能体技术。以下为传统机器学习技术主要解决的问题和方案。
传统机器学习（Traditional Machine Learning）是指依赖人工特征工程和统计学习方法的模型，通常适用于中小规模数据集，且对计算资源需求较低。在传统机器学习领域主要解决的问题包括：回归预测问题、时序预测问题、分类问题、聚类问题。
深度学习（Deep Learning）是机器学习的一个子领域，其核心思想是通过多层神经网络（Deep Neural Networks） 自动学习数据的多层次特征表示，从而实现对复杂模式（如图像、语音、文本等）的高效建模和预测。
1、回归预测问题
回归预测问题（Regression）：是指在机器学习和统计学中，你想要预测一个连续的数值型结果的问题。这与分类问题不同，分类问题是预测离散的标签或类别。回归模型的目标是找到输入特征变量/解释变量 X与连续型输出变量/响应变量 y 之间的关系，并用这种关系来预测新的数据点的输出值。
回归（Regression ）一词最早由英国统计学家弗朗西斯·高尔顿（Francis Galton）在19世纪提出。其本意是“倒退”或“返回”。他研究父母与子女的身高关系时发现，子女的身高会向平均身高“回归”（Regression to the Mean），即极端值后代的身高会趋向整体均值。虽然现代回归分析已超越这一特定现象，但名称保留了下来。
回归问题的一些典型场景包括：
- 房价预测：根据房屋的大小、位置、年龄和其他特征来预测其市场价格。
- 股票价格预测：基于各种金融指标和历史数据来预测股票的未来价格。
- 气温预测：根据气候数据、时间和其他环境因素来预测未来的气温。
- 销售预测：企业根据季节性因素、市场趋势、促销活动等来预测未来的销售额。
- 医疗领域：根据病人的年龄、体重、病史和检查结果来预测疾病的发展或药物的剂量。
- 能源消耗：预测建筑物的能源效率，根据气候控制设置来优化能源使用。
- 保险行业：根据驾驶员的年龄、驾驶记录和其他因素来计算保险费用。
- 教育研究：预测学生的考试成绩，基于学习习惯、以往的成绩和参与度等因素。
- 供应链管理：预测产品的需求量，以便更好地管理库存和物流。
- 经济增长预测：基于历史经济数据和政策变化来预测国家或地区的经济增长率。
典型的回归问题算法包括：
- 线性回归（Linear Regression）
- 岭回归（Ridge Regression）/ Lasso回归
- 回归树（Regression Trees）
- 梯度提升树（GBDT、XGBoost）
浏览回归预测案例：回归预测问题 – 甲壳虫AI(竞赛)案例精选
2、时序预测问题
时序预测问题是指基于历史时间序列数据，预测未来时间点的数值或趋势的一类问题。其核心特点是数据点按时间顺序排列，且通常存在时间依赖性（如趋势、周期性等）。
关键特征
- 时间依赖性：当前值与过去值相关（如股票价格受前一天影响）
- 趋势性：长期上升/下降趋势（如GDP增长）
- 季节性：固定周期的重复模式（如气温的年度周期）
- 噪声干扰：数据中的随机波动
应用场景
- 短期预测：电力负荷预测（LSTM）
- 长期趋势：人口增长预测（Prophet）
- 高频数据：股票价格预测（TCN）
- 多变量时序：气象预测（Transformer）
评估指标
- MAE（平均绝对误差）：鲁棒性强
- RMSE（均方根误差）：惩罚大误差
- MAPE（平均绝对百分比误差）：相对误差度量
- sMAPE（对称MAPE）：解决零值问题
时序预测问题和回归预测问题有什么本质区别？
两者的核心区别在于对数据的假设：回归预测假设每个数据点都是独立的，而时序预测则是利用数据之间的相关性进行预测。
时间序列分析主要用于预测和揭示时间序列数据中的趋势、季节性等特征，帮助我们了解数据的演变规律和未来的走势。通过时间序列分析，我们可以预测未来一段时间内的气温、股票价格等，帮助决策者做出合理的决策。然而，线性回归分析主要用于确定自变量和因变量之间的关系，根据自变量的变化来预测因变量的数值。线性回归可以帮助我们了解变量之间的关联程度和影响因素，例如经济学中研究收入与消费之间的关系、医学中研究体重与身高之间的关系等。
浏览时序预测案例：时序预测问题 – 甲壳虫AI(竞赛)案例精选
3、分类问题
分类问题（Classification）：是机器学习中的一种基本任务，它涉及识别数据项并归类到两个或多个预定义的类别或标签中。这个过程类似于我们日常生活中的决策和归类行为，比如将邮件分为“垃圾邮件”和“非垃圾邮件”，或者将图片分类为“猫”、“狗”或“车”。
分类问题的主要特点包括：
- 标签化输出：分类问题的输出是离散的标签，而不是连续的数值。
- 监督学习：分类通常在监督学习的框架下进行，意味着训练数据包括输入特征和对应的标签。
- 模式识别：分类器学习如何根据输入数据的特征识别和区分不同的类别。
- 可扩展性：分类问题可以应用于包含大量类别的数据集。
分类问题的类型：
- 二分类问题：数据只有两个类别，如“正面”和“负面”，“是”和“否”，“通过”和“未通过”。
- 多分类问题：数据有超过两个类别，如动物分类（猫、狗、鸟等）。
- 不平衡分类问题：数据集中某些类别的样本数量远多于其他类别。
- 层次分类问题：类别之间存在层次或嵌套关系，如生物分类（界、门、纲等）。
- 多标签分类问题：一个数据项可以同时属于多个类别，如一篇文章可能同时属于“政治”和“国际”类别。
分类问题的应用场景：
- 垃圾邮件过滤：将电子邮件分类为“垃圾邮件”或“非垃圾邮件”。
- 医疗诊断：根据症状和检查结果诊断疾病。
- 图像识别：识别图像中的对象属于哪个类别。
- 情感分析：判断文本（如产品评论）的情感倾向是正面还是负面。
- 语音识别：将语音转换为文本，并识别说话人的性别或情绪状态。
解决分类问题的方法：
- 逻辑回归：适用于线性可分的二分类问题。
- 决策树：通过一系列是非问题递归地划分数据。
- 支持向量机：找到数据点之间的最优边界。
- 随机森林：集成多个决策树以提高分类的准确性和鲁棒性。
- 神经网络：特别是深度学习模型，能够处理复杂的非线性关系。
分类问题是机器学习中最常见和基础的问题之一，广泛应用于商业、科研和日常生活中。随着技术的发展，分类算法变得更加精确和高效，能够处理越来越复杂的数据集。
浏览分类问题案例：识别分类问题 – 甲壳虫AI(竞赛)案例精选
4、聚类问题
聚类问题（Clustering）：是机器学习和数据挖掘中的一个无监督学习任务，它涉及将数据集中的样本分组，使得同一组内的样本相似度高，而不同组之间的样本相似度低。聚类的目的在于发现数据内在的结构和模式。
聚类问题的主要特点：
- 无监督学习：聚类不需要预先标记的训练数据，算法自行发现数据的分组。
- 分组：算法将数据点划分为若干个组或“簇”。
- 相似度度量：聚类算法根据相似度度量（如距离或密度）来评估数据点之间的关系。
- 簇内紧密度：同一簇内的数据点应该尽可能紧密相连。
- 簇间分离度：不同簇之间的数据点应该尽可能分开。
聚类问题的应用场景：
- 市场细分：根据客户的购买行为、偏好等特征将客户分组，以实现更精准的市场定位和营销策略。
- 社交网络分析：在社交网络中发现社区结构，识别紧密联系的群体或个体。
- 生物信息学：对基因表达数据进行聚类，以发现具有相似表达模式的基因。
- 图像分割：在图像处理中，将图像分割成不同的区域，以便于进一步分析或识别。
- 异常检测：识别数据集中的异常或离群点，如信用卡欺诈检测或网络安全。
- 文档聚类：对文本数据进行聚类，以发现主题相似的文档，用于信息检索和文档组织。
- 客户细分：在零售业中，根据客户的购买历史和偏好进行细分，以提供个性化的服务或产品推荐。
- 天文数据分析：对星系或恒星进行聚类，以研究它们的形成和演化。
- 产品推荐系统：通过分析用户的购买行为，将用户和产品分组，以提供个性化推荐。
- 声音和信号处理：对声音信号进行聚类，以识别不同类型的声音或模式。
常见的聚类算法：
- K均值聚类（K-Means Clustering）：通过迭代选择簇中心和分配数据点到最近的簇中心。
- 层次聚类（Hierarchical Clustering）：创建一个簇的层次结构，可以是凝聚的（自底向上）或分裂的（自顶向下）。
- DBSCAN（Density-Based Spatial Clustering of Applications with Noise）：基于密度的聚类算法，可以发现任意形状的簇并识别离群点。
- 高斯混合模型（Gaussian Mixture Models, GMM）：使用概率模型来表示数据的聚类结构。
聚类问题是探索性数据分析的重要工具，它帮助我们理解数据的本质特征和内在联系，而无需依赖预先定义的标签。随着数据量的增长和计算能力的提升，聚类算法在各个领域中的应用越来越广泛。
浏览聚类问题案例：聚类问题 – 甲壳虫AI(竞赛)案例精选