数据与智能 出版了专著「构建企业级推荐系统：算法、工程实现与案例分析」。每周输出7篇推荐系统、数据分析、大数据、AI原创文章。「数据与智能」(同名视频号、知乎、头条、B站、快手、抖音、小红书等自媒体平台号) 社区，聚焦数据、智能领域的知识分享与传播。

作者 | Harper

审核 | gongyouliu

编辑 | gongyouliu

上期给大家介绍到了结合损失函数与梯度下降法来调优人工神经网络。从本期开始，我会给大家介绍人工神经网络如何解决分类与聚类问题。事实上这是神经网络最擅长解决的两个问题，希望通过这两期内容，可以帮助大家深入了解分类与聚类，以及它们之间的差异。

首先我们来看分类问题。对于分类问题，是基于你已经有了预定义的类，然后训练机器确定每个输入样本属于哪个类。要开始训练，需要将测试数据输入机器，测试数据包含类标签和每个类中样本的示例。小狗识别网络中，我们可以给它输入十种狗的名字和每一小类狗的一张或多张图片。我们对所有10个品种都这样做。完成后，机器就会对标签与图片之间的关联关系有一些了解。

接下来，输入测试数据给机器。测试数据由不同品种小狗的图片组成，机器需要找出狗的品种。如果机器错了，我们给它正确的答案，这样它就可以调整权重和偏置项。它可能会提高正确答案的权重和偏置项，降低错误答案的权重和偏置项。在这个验证步骤中，机器正在微调其识别不同品种的能力，它正在学习。

分类是使用人工神经网络最常用的方法之一。电子邮件提供商使用机器学习神经网络，对垃圾邮件进行分类。它们为机器提供不同邮件分类的信息，比如垃圾邮件、不是垃圾邮件、可能是垃圾邮件。当你收到邮件时，垃圾邮件检查器会检查邮件以确定每个类的特征，然后采取相应的操作。

信用卡公司也使用分类和监督机器学习进行欺诈检测。训练者会给机器一些标签， 比如，是欺诈、不是欺诈、可能是欺诈，然后给它提供代表欺诈和非欺诈的交易。机器可以设置三个输出节点。如果交易具有欺诈特征的高级别详细信息，欺诈神经元将激活以取消交易并暂停信用卡。如果交易具有较少的欺诈特征的详细信息，则可能欺诈的神经元会激活，通知持卡人可能存在可疑活动。如果交易包含很少的欺诈特征的细节，那么非欺诈神经元将激活，交易将被处理。

人工神经网络可以识别结构化数据或非结构化数据中的模式。结构化数据是高度组织的，例如表中的数据、电子表格和数据库。非结构化或半结构化数据的组织性要差得多，例如文档或电子邮件正文中的文本以及包含图像、音频和视频的数据。一些执法机构使用神经网络进行面部识别。银行使用神经网络对支票上的文字进行分类。这样就可以用手机拍下你的支票，然后上传到银行。

所有工具都是机器学习的产物，这些工具包括收集大量数据、在数据中找到模式并使用这些模式对新输入的实体进行分类的过程。几乎任何东西都可以通过分类识别支票 上的手写文本和数字、口头语言、欺诈交易、不需要的电子邮件等。人类创建这些分类，然后网络将尽最大努力将每个输入分配给正确的类。

通常，输出层中的每个神经元都对应一个类。 因此，如果想在支票上识别一个数字，你需要在输出层有10个神经元，每个神经元代表一个从0到9的数字。隐藏层中的激活函数将相互协作共同计算支票上的某个图案是这些数字之一的概率，输出层将指示最有可能的数字。

无论我们是在使用人工神经网络进行面部识别、垃圾邮件检测、自然语言处理或者其他任务，网络都会将这些任务视为分类问题的一个应用，所以可能看上去是做了不同的事情，但其实是以不同的方式做同样的事情。

我们本期就给大家介绍到这里，下期内容将给大家介绍，当输入数据没有标记的时候，人工神经网络可以做什么。