主页 > 学车

人工智能基础

时间:2019-06-08 来源:晰雯91

偷个懒,直接贴上目录的思维导图。

人工智能简史

1950 年,艾伦.图灵 (Alan Turing) 在他的论文《计算机器与智能》 ( Compu- tmg Machinery and Intelligence) 中提出了著名的图灵测试 (Turing test)

1956年,美国的达特茅斯学院讨论会。 这次会议提出:

“学习和智能的每一个方面都能被精确地描述, 使得人们可以制造一台机器来棋模拟它 。”

这次会议为这个致力于通过机器来模拟人类智能的新领域定下了名 字一一人工智能 ( Artificial Intelligence, AI) , 从而正式宜告了人工智能作为 一门学科的诞生。

第一次浪潮 (1956—1974): 伟大的首航

麻省理工学院的约瑟夫· 维森鲍姆 (Joseph Weizen-haum) 教授在 1964 年到 1966 年间建立了世界上第一个自然语言对话程序 ELIZA。 ELIZA 通过简单的模式匹配和对话规则与人聊天。

第二次浪潮 (1980-1987): 专家系统的兴衰

进人80年代 , 由千专家系统(expert system)和人工神经网络(artific1al neural 专家系统是一种基于一组特定规则来回答特定领域问题的程序系统 。

与此同时 . 人工神经网络的研究也取得了重要进展 。

反向传播算法(backpropagation)可以在神经网络的隐藏层中学习到对输入 数据的有效表达 。从此 , 反向传播算法被广泛用于人工神经网络的训练。

在新一 次人工智能浪潮兴起的同时, 日本通商产业省在1982年雄心勃勃地开始 了旨在建造 “ 第五代计笢机” 的大型研究计划。

经过了10年研发 , 耗费了500亿日元 , 这个项目末能达成预期的目标。 到了80年代后期 , 产业界对专家系统的巨大投入 和过高期望开始显现出负面的 效果。 人们发现这类系统开发与维护的成本高昂 , 而商业价值有限。在矢望情绪的影 响下 , 对人工智能的投入被大幅度削减 , 人工智能的发展再度步入冬天 。

第三次浪潮 (2011 年至今 ): 厚积薄发,再造辉煌

  • 统计学习理论

  • 支持向显机

  • 概率图模型

进入了 21 世纪

  • 人类迈入了”大数据 “时代。

  • 电脑芯片的计第能力持续高增长。

2012年一次全球范围的图像识别算法竞赛ILSVRC (也称为ImageNet挑战赛)。

多伦多大学开发的一个多层神经网络 Alex Net取得了冠军, 并大幅度超越了使用传统 “一各学习算法的第二名。

这次比赛的成果在人工智能学界引起了广泛的震动。

从此,多层神经网络为基础的深度学习被推广到多个应用领域, 在语音识别、图像分析、 视频埋解等诸多领域取得成功。

2016年,谷歌 (Google) 通过深度学习训练的阿尔法(AlphaGo) 4 : 1 战胜了曾经的围棋世界冠军李世乭(石)。

它的改进版更在2017年战胜了当时世界排名第一的中国棋手柯洁。

应用

  • 安防

  • 医疗

  • 智能客服

  • 自 动驾驶

  • 工业制造

人工智能与机器学习

人工智能是通过机器来拱拟人类认知能力的技术

人工智能涉及很广,涵盖了感知、学习、推理与决策等方面的能力 。从实际 应用的角度说,人工智能最核心的能力就是根据给定的输人做出判断或预测 。 比如 :

  • 在人脸识别应用 中, 它是根据梒入的照片,判断照片中的人是谁 。

  • 在语音识别 中 ,它可以根据人说话的音频信号,判断说话的内容 。

  • 在医疗诊断中,它可以根据拚入的医疗影像,判断疾病的成因和性质 。 .在电子商务网站中,它可以根据一个 用 尸过去的购买记录,预测这位用户 对什么商品感兴趣 , 从而让网站做出相应的推荐 。

  • 在金融应用中 , 它可以根据 一 只股票过去的价格和交易信息 , 预浏它未来的价格走势 。

  • 在围棋对弈 中, 它可以祁据_当前的盘面形势 , 预测选择某个落子的胜率 。

机器学习

当代的人工智能普 遍通过学习 (learning) 来获得进行预测和判断的能力。 这样的方法被称为机器学习 ( machine learning) , 它已经成为入工智能的主流方法 。

  • 从数据中学习

  • 从行动中学习

分类

感知器

感知器 (perceplron) 是一种训练线性分类器的算法。

支持向量机

支持向量机 (support vector machine, SVM) 是在特征空间上分类间隔最大的分类 ,与感知器一样,是对两个类别进行分类。

深度神经网络的结构

一个深度神经网络通常由多个顺序连接的层 (layer) 组成。 第一层一般以图像为输入 , 通过特定的运算从图像中提取特征。 接下来每一层以前一层提取出的特征榆 人,对其进行特定形式的变换 , 便可以得到更复杂一些的特征。 这种层次化的特征提 取过程可以累加,赋予神经网络强大的特征提取能力。经过很多层的变换之后 , 神经 网络就可以将原始图像变换为高层次的抽象的特征 。

卷积层

当一个深度神经网络以卷积层为主体时 , 我们也称之为卷积神经网络 (convolutional neural network) 。

过犹不及:过拟合和欠拟合

理解视频

光流直方图

聚类

参考:《人工智能基础(高中版)》


相关阅读