人工智能科普知识人工智能与机器学习

人工智能与机器学习人工智能与机器学习XRearth苹果秋季发布会2017新一代人工智能发展规划人工智能的定义人工智能是智能机器所执行的通常与人类智能有关的功能，如判断、推理、证明、识别、感知、理解、设计、思考、规划、学习和问题求解等思维活动。智能机器是能够在各类环境中自主地或交互地执行各种拟人任务的机器。人工：人类创造智能：图灵测试弱人工智能和强人工智能弱人工智能(NarrowAI)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。强人工智能(GeneralAI)ArtificialGeneralIntelligence(AGI):人类级别的人工智能。强人工智能是指在各方面都能和人类比肩的人工智能，人类能干的脑力活它都能干。创造强人工智能比创造弱人工智能难得多，我们现在还做不到。超人工智能(SuperAI)ArtificialSuperIntelligence(ASI):在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能。人工智能与人及工作的关系将来，我们和机器人的关系会变得更复杂，出现一种7个步骤的循环模式：1.机器人干不了我的工作。2.好吧，它会情，但我做的事情它不一定都会。3.好吧，我做的事情它都会，但它常常出故障，这时需要我来处理。4.好吧，它干常规工作时从不出错，但是我需要训练它学习新任务。5.好吧，就让它做我原来的工作吧，那工作本来就不是人该干的。6.哇，机器人正在干我以前做的工作，我的新工作不仅好玩多了，工资还高！7.真高兴，机器人绝对干不了我现在做的事情。然后回到步骤1。人工智能是否从未实现一旦一样东西用人工智能实现了，人们就不再叫它人工智能了。

人工智能听起来总让人觉得是未来的神秘存在，而不是身边已经存在的现实。同时，这种效应也让人们觉得人工智能是一个从未被实现过的流行理念。手写输入车牌识别语音助手自动泊车专家系统百度识图FACEID自动驾驶科大讯飞人工智能发展历史二十世纪五十年代到七十年代初，人工智能研究处于”推理期“。这一时期，一般认为只要机器被赋予逻辑推理能力就可以实现人工智能。不过此后人们发现，只是具备了逻辑推理能力，机器还远远达不到智能化的水平。二十世纪七十年代中期开始，人工智能研究进入”知识期“。这一时期，人们认为要让机器变得有智能，就应该设法让机器学习知识，于是专家系统得到了大量的开发。后来人们发现，把知识总结出来再灌输给计算机相当困难。二十世纪八十年代，人工智能研究进入”学习期“。随着各种机器学习算法的提出和应用，特别是深度学习技术的发展，人们希望机器能够通过大量数据分析，从而自动学习出知识并实现智能化水平。人工智能研究的范畴问题求解逻辑推理与定理证明机算机视觉语音机听觉自然语言处理NLP(NaturalLanguageProcessing)自动程序设计专家系统-专家系统可以解决的问题一般包括解释、预测、诊断、设计、规划、监视、修理、指导和控制等。机器学习机器学习的定义机器学习MachineLearning（ML）“Fieldofstudythatgivesputerstheabilitytolearnwithoutbeingexplicitlyprogrammed.”ArthurSamuel.

(1959).“机器学习是这样的一个研究领域，在没有显式编码的情况下赋予计算机学习的能力。”“AputerprogramissaidtolearnfromexperienceEwithrespecttosomeclassoftasksTandperformancemeasureP,ifitsperformanceattasksinT,asmeasuredbyP,improveswithexperienceE.

”TomM.Mitchell.(1997).MachineLearning.“对于某类任务T和性能度量P，如果一个计算机程序在T上以P衡量的性能随着经验E而自我完善，那么我们称这个计算机程序在从经验E学习。”机器学习与人工智能的关系人工智能领域：判断、推理、证明、识别、感知、理解、设计、思考、规划、学习和问题求解学习能力是智能的一个重要领域机器学习与数据挖掘、模式识别、统计学神经网络是机器学习的一种深度学习是神经网络的一种知识发现数据库机器学习分类监督学习（SupervisedLearning）训练数据中的每一个输入都有对应的确定的输出（标签），我们告诉计算机每个输入所对应的标准的输出，期望计算机能够学习到输入输出之间的联系，并对新的输入能够给出一个正确的输出。对于监督学习主要有两类问题：回归（Regression）和分类（Classification）。无监督学习（UnsupervisedLearning）在这一类学习算法中，我们只给定输入数据，但是没有指定对应的输出。这类算法的目标是找到数据中的一些有趣的结构、模式等，对于无监督学习主要是聚类（Clustering）。半监督学习（Semi-SupervisedLearning）半监督学习算法将少量的有对应输出的训练数据和大量的无对应输出的训练数据结合起来进行学习的一类算法。强化学习（ReinforcementLearning）在强化学习问题中，我们通常需要做出一系列的决策。强化学习背后的一个基本概念是回报函数，每次决策后，环境通过回报函数返回给一个“奖励”。强化学习使得计算机程序更倾向于做出正确的决策，因为可以获得更多的“奖励”。监督学习过程数据收集数据清洗异常数据处理缺失值处理离线建模特征构建采样特征选择归一化处理降维学习算法选择超参数调整性能度量交叉验证模型选择在线预测常用的学习算法线性回归逻辑回归决策树支持向量机朴素贝叶斯K近邻算法随机森林算法GBDTAdaboostK均值算法层次聚类降维算法卷积神经网络长短期记忆网络隐夫模型条件随机场最大熵模型Allmodelsarewrongbutsomeareuseful.决策树树分支结点分类回归CART机器学习适用场景人工智能方法和传统分析方法的不同传统分析方法也可能是人工智能方法，比如专家系统传统分析方法和机器学习方法的不同关系：因果、关联参数：经验、学习范围：窄、全面效果：确定、依赖解释：明确、不可解释认识机器学习的过程高深简单复杂当我们判断是否要使机器学习时，可以看看是不是以下的场景人类不能手动编程人类不能很好的定义这个问题的解决方案是什么人类不能做到的需要极度快速决策的系统大规模个性化服务系统机器学习中的常用术语模型、算法样本、标签、抽样、训练集、测试集、验证集特征、向量、维度、矩阵训练、学习、预测逼近、插值、拟合误差、偏差、方差、过拟合、欠拟合、准确率、召回率、交叉验证分类、回归、聚类、降维弱分类器、强分类器、集成、Boosting欧氏距离、梯度下降、全局最优、局部最优NPC问题、时间复杂度、多项式、VC维、独立同分布线性、非线性、离散、连续遗传算法、模拟退火、蚁群算法、核函数、卷积、GPU机器学习的参考书目入门教材：机器学