一切问题都从人工智能开始的。人工智能(AI)本质上是一种工具。 人工智能(英语:Artificial Intelligence,缩写为AI),指由人制造出来的机器所表现出来的智能。人工智能的定义可以分为两部分,即“人工”和“智能”,也就是“人工”制造的“智能”。
AI的核心问题包括建构能够跟人类似甚至超卓的推理、知识、规划、学习、交流、感知、移物、使用工具和操控机械的能力等。也就是和人一样! 机器学习是人工智能的一个分支。人工智能注重开发能像人类一样完成复杂任务的机器,甚至完成得比人类更好。这些任务通常涉及判断、策略和认知推理,这些技能最初被认为是机器的“禁区”。虽然听起来很简单,但这些技能的范围非常广泛,涉及到语言处理、图像识别和规划等等。机器学习使用特定的算法和编程方法来实现人工智能。如果没有机器学习,之前提到的国际象棋程序将需要数百万行代码,以及对手所有的落子可能性。通过机器学习,则只需要少量代码。 深度学习是机器学习的一个子集,是当前AI最流行的技术,专注于模仿人类大脑的生物学和运行过程。 人工智能的研究方向被分成几个子领域: 1、演绎、推理和解决问题 这是直接模仿人类进行逐步的推理,就像是玩棋盘游戏或进行逻辑推理时人类的思考模式。象棋、围棋等就属于这一类。 神经网络研究试图以模拟人类和动物的大脑结构重现这种技能。 2、知识表示法 相关的概念:知识表示和常识知识库 目标是让机器存储相应的知识,并且能够按照某种规则推理演绎得到新的知识。 知识表示法 是认知科学和人工智能两个领域共同存在的问题。在认知科学里,它关系到人类如何储存和处理资料。在人工智能里,其主要目标为储存知识,让程式能够处理,达到人类的智慧。目前这个领域仍然没有一个完美的答案。 3、学习 这就是机器学习,是人工智能的核心。
机器学习的主要目的是为了让机器从用户和输入数据等处获得知识,从而让机器自动地去判断和输出相应的结果。 实质就是本质:读数据、算法计算和最后预测结果。 数据挖掘(英语:data mining)总体目标是从一个数据集中提取信息,并将其转换成可理解的结构,以进一步使用。 站在计算机的角度,上图是一个机器学习的过程(更注重学习的过程);站在数据的角度,这就是一个数据挖掘的过程(更注重最后的结果)。 机器学习为数据挖掘提供技术基础,是数据挖掘的工具之一。也就是为了发现数据中的珍宝,我们需要机器学习这个“钻机”,有了这个好工具,我们才能从数据中挖掘到可能的稀世珍宝。 那为什么数据挖掘不用别的工具,就看上机器学习了呢?
那么核心就是这个算法了! 算法基于学习方式的分类 (1) 监督学习(有导师学习)
也就是先给出答案,让计算机按照答案学习,确定模型。以后来新的数据,按模型返回结果。根据结果的情况,决定是否还要修改模型。最后直到结果满意为止。 监督学习根据输出结果的离散性和连续性,分为分类和回归两类。 主要算法包括神经网络、支持向量机、最近邻居法、朴素贝叶斯法、决策树等。 (2) 无监督学习(无导师学习):输入数据中无导师信号,采用聚类方法,学习结果为类别。典型的无导师学习有发现学习、聚类、竞争学习等。 无监督学习算法没有特定的目标输出,算法将数据集分为不同的组。
半监督式学习: 输入数据是标记和非标记的混合案例,模型必须学习其中结构然后按照预期组织数据,其关键方法是分类和回归。 (3)强化学习(增强学习):以环境反馈(奖/惩信号)作为输人,以统计和动态规划技术为指导的一种学习方法。类似有机体在环境给予的奖励或惩罚的刺激下,逐步形成对刺激的预期,产生能获得最大利益的习惯性行为。在运筹学和控制论的语境下,强化学习被称作“近似动态规划”(approximate dynamic programming,ADP)。 基本的机器学习算法:(限于篇幅,只能图直观了解)
这些算法基于贝叶斯定理的,最受欢迎的是朴素贝叶斯算法,它经常用于文本分析。例如,大多数垃圾邮件过滤器都使用贝叶斯算法。它们使用按类别标记的用户输入数据来比较新数据,并对其进行适当分类。
那么如何来选择这些算法呢? 如果要执行降维(dimension reduction),则使用主成分分析(principal component analysis) 如果需要快速进行数值预测(numeric prediction),请使用决策树(decision tree)或逻辑回归( logistic regression) 如果需要分层结果,则使用分层聚类(hierarchical clustering) 神经网络是机器学习的一种算法。
深度学习方法是一个现代的人工神经网络方法升级版,利用丰富而又廉价的计算,建立更大和更复杂的神经网络,许多方法都是涉及半监督学习(大型数据中包含很少有标记的数据)。 4、自然语言处理 自然语言处理探讨如何处理及运用自然语言,自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。
5、运动和控制 机器人学 机器人学(英语:robotics)是一项涵盖了机器人的设计、建造、运作、以及应用的跨领域科技[1],就如同电脑系统之控制、感测回授、以及资讯处理。这些科技催生出能够取代人力的自动化机器,在危险境或制造工厂运作,或塑造成外表、行为、心智的仿人机器人。 6、知觉机器感知、计算机视觉和语音识别 机器感知是指能够使用传感器所输入的数据(如照相机、麦克风、声纳以及其他的特殊传感器)然后推断世界的状态。计算机视觉能够分析影像输入。另外还有语音识别、人脸识别和物体识别。 机器学习有潜力能够改变世界。通过Google Brain和斯坦福机器等研究团队的努力,我们正朝着真正的人工智能迈进。 机器学习即将影响的领域有哪些呢? 汽车使用通过机器学习进行导航、维护和安全程序。比如交通标志传感器,它使用监督学习算法来识别交通标志,并与标注数据集进行比较。因此,汽车看到停车标志时,系统将进行确认并停车。 物联网或IOT,指家庭和办公室中与网络连接的物理设备。其中一个流行的物联网设备是智能灯泡,其销售额在过去几年中飙升。随着机器学习的进步,物联网设备比以往更智能,更复杂。 |
|