大家好，关于决策树很多朋友都还不太明白，今天小编就来为大家分享关于决策树人工智能的知识，希望对各位有所帮助！
本文目录
人工智能三大算法
1.决策树
根据一些feature进行分类，每个节点提一个问题，通过判断，将数据分为两类，再继续提问。这些问题是根据已有数据学习出来的，再投入新数据的时候，就可以根据这棵树上的问题，将数据划分到合适的叶子上。
2.随机森林
在源数据中随机选取数据，组成几个子集；
S矩阵是源数据，有1-N条数据，ABC是feature，最后一列C是类别；
由S随机生成M个子矩阵。
3.马尔可夫
MarkovChains由state和transitions组成；
例如，根据这一句话‘thequickbrownfoxjumpsoverthelazydog’，要得到markovchain；
步骤，先给每一个单词设定成一个状态，然后计算状态间转换的概率；
这是一句话计算出来的概率，当你用大量文本去做统计的时候，会得到更大的状态转移矩阵，例如the后面可以连接的单词，及相应的概率；
生活中，键盘输入法的备选结果也是一样的原理，模型会更高级
人工智能学什么，机器人吗
您好啊，学习人工智能前要具备三个部分的基础知识，具体包括数学基础、英语基础和编程技术。下面详细剖析每部分的要求。
第一点数学基础
作为计算机科学的一个分支，人工智能的本质还是处理的数据信息，所以数学的基础知识是必备的。
主要掌握的数学知识包括如下内容:
线性代数（向量）和概率论
高等数学（微积分、矩阵等）
离散数学（集合论等）
统计学（聚类分析、回归分析、分布等）
算法相关（人工神经网络、决策树、分层聚类等）
第二点英语基础
因为目前人工智能行业在国外发展的也比较好，很多技术文献资料都是外文的，如果想在这个方面有所成绩，就必须能够读懂英语资料。虽然英语水平不一定要达到四六级，但是要具备计算机英语基础，以后再慢慢学习专业的名词术语。
第三点编程技术
想学好人工智能，需要具备基础的编程能力，现在主流的JAVA/Python语都是要求掌握的，尤其Python语言在人工智能、网络爬虫、桌面界面开发、科学计算和统计方面都有广泛应用。
Python语言的特点就是“优雅”、“明确”、“简单”，是完全面向对象的语言，本身扩展性很强，目前提供了丰富的API和工具，可以很方便的编写扩展模块。所以上手比较快速。
万事开头难，首先把各方面的基础知识打牢了，在后面的学习和工作中才能事半功倍，游刃有余，如果还有什么不明白的，可以继续交流。
什么是人工智能？
人工智能之父JohnMcCarthy说：人工智能就是制造智能的机器，更特指制作人工智能的程序。人工智能模仿人类的思考方式使计算机能智能的思考问题，人工智能通过研究人类大脑的思考、学习和工作方式，然后将研究结果作为开发智能软件和系统的基础。
人工智能的概念很宽，所以人工智能也分很多种，我们按照人工智能的实力将其分成三大类：
1、弱人工智能
弱人工智能ArtificialNarrowIntelligence(ANI):弱人工智能是擅长于单个方面的人工智能。比如有能战胜象棋世界冠军的人工智能，但是它只会下象棋，你要问它怎样更好地在硬盘上储存数据，它就不知道怎么回答你了。比如第一个击败人类职业围棋选手、第一个战胜围棋世界冠军的人工智能机器人，AlphaGo其实也是一个弱人工智能。
2、强人工智能
强人工智能又称通用人工智能或完全人工智能，指的是可以胜任人类所有工作的人工智能。一个可以称得上强人工智能的程序，大概需要具备以下几方面的能力：存在不确定因素时进行推理，使用策略，解决问题，制定决策的能力；知识表示的能力，包括常识性知识的表示能力；规划能力；学习能力；使用自然语言进行交流沟通的能力；将上述能力整合起来实现既定目标的能力。
3、超人工智能
假设计算机程序通过不断发展，可以比世界上最聪明、最有天赋的人类还聪明，那么由此产生的人工智能系统就可以被称为超人工智能。超人工智能的定义最为模糊，因为没人知道，超越人类最高水平的智慧到底会表现为何种能力。如果说对于强人工智能，我们还存在从技术角度进行探讨的可能性的话，那么，对于超人工智能，今天的人类大多就只能从哲学或科幻的角度加以解析了。
人工智能这么火，数据挖掘和机器学习有什么区别？
两者的区别是目的不同，但达到目的的方法有很大重叠之处。
数据挖掘是用来理解事物的；
机器学习是用来预测事物的。
机器学习是解决人工智能问题的一种手段；机器学习自己可以是一个单独学科，也可以包含在人工智能学科里面。
数据挖掘的很多算法也来自机器学习但两者没有从属关系。
关于决策树到此分享完毕，希望能帮助到您。