当前人工智能领域火热，但究其本质，无论是结构化领域的数据（简单理解为Excel型），还是非结构化领域如图像、文本、语音类数据，由于数据存储方式的不同，它们彼此差异点可能在于前期的数据预处理方式上，但共性处理的一环是算法。为了更好地与大家共享该领域知识，从本章开始，后续将会逐步发布该领域的知识信息，不仅便于对该领域有兴趣的职场朋友了解，也有利于对愿意紧跟时代发展的学生、家长学习，大家共同进步。
（一）人工智能算法类型划分
人工智能算法类型
注：测试集评估模型的泛化性能
举例：
（1）什么是参数？
曲线拟合调整时，方程的系数。
卷积神经网络中的权重。
（2）什么是超参数？
曲线拟合调整时，方程的次数。
决策树就是一种无参数模型，该模型具备超参数，如树的深度。
这里的话，大家只要有个初步印象即可，后续文章会根据具体的示例解释其中的含义。
（二）感知机算法
感知机是由美国学者Frank Rosenblatt在1957年提出来的。
首先了解感知机算法的理由？因为感知机是神经网络算法的起源。
感知机模型
对感知机模型的数学化描述
具体描述：
感知机接收多个输入信号，结合各自权重，加上偏置信息，输出一个信号。其中，权重越大，对应该权重的信息的重要性就越高；偏置越大，神经元被激活的可能性就越高。
感知机的局限性？
依据数学公式，感知机可处理\"线性可分\"的问题。
遇到\"线性不可分\"问题，感知机无法处理。
实现\"曲线效果\"才能够分开。
由于单层感知机只能表示\"线性空间\"，所以通过\"叠加层\"的方式，构造多层感知机表示\"非线性空间\"。
多层感知机（可以增加层数）
当前人工智能领域最热的深度学习算法火热，以上是对其前身：感知机模型，所作的一个简单易理解的介绍，让大家有个直观认识，后续将会在此基础上进一步拓展。
本文系本站编辑转载，文章版权归原作者所有，内容为作者个人观点，转载目的在于传递更多信息，并不代表本站赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请与本站联系，本站将在第一时间删除内容！